XiaoMi-AI文件搜索系统
World File Search SystemNoising
分析有关合成的扩散模型...
从扩散模型中的合成样本对于训练歧视模型作为重复或增强真实培训数据集有希望。但是，我们发现合成数据集在同一数据集大小上比较它们时，合成数据集降低了分类性能。这意味着现代扩散模型的合成样本对于训练歧视任务的信息较少。本文通过分析从实际样品（扩散）（扩散）和脱氧（反向）扩散模型过程中从真实样品重建的合成样品来研究合成和真实样品之间的差距。通过改变重建的时间步骤开始反向过程的时间步骤，我们可以控制原始真实数据中的信息与扩散模型产生的信息之间的权衡。通过评估重建的样品和训练有素的模型，我们发现合成样品集中在训练数据分布的模式中，随着反向步骤的增加，它们很难覆盖分布的外边缘。相反，我们发现这些合成样本在使用真实和合成样品的数据设置中产生了显着改善，这表明模式周围的样品可作为学习分类边界的插值有用。这些发现表明，现代扩散模型目前不足以复制相同数据集大小的真实培训数据集，但适合将真实培训样本作为增强数据集进行插值。
高保真ppg-to-ecg翻译的区域限制扩散模型
心血管疾病（CVD）的高流行率要求可访问且具有成本效益的连续心脏监测工具。尽管心电图（ECG）是黄金标准，但连续监测仍然是一个挑战，导致探索光摄影学（PPG），这是一种有希望的但更基本的替代方案，可在消费者可穿戴设备中获得。这个概念最近引发了将PPG转化为ECG信号的兴趣。在这项工作中，我们介绍了区域限制扩散模型（RDDM），这是一种新型扩散模型，旨在捕获ECG的复杂时间动力学。传统的扩散模型，例如deno deno扩散概率模型（DDPM）在捕获整个信号中不可分犯的噪声过程中捕获这种细微差别时面临挑战。我们提出的RDDM通过企业进行了一个新颖的远期过程来克服这种限制，该过程有选择地将噪声添加到ECG信号中的QRS复合物等特定区域（ROI），以及一个反向过程，该过程散布了ROI和非ROI区域的差异。定量实验表明，RDDM可以在少于10个扩散步骤中从PPG产生高保真性ECG，从而使其非常有效且在计算上有效。此外，为了严格验证所产生的ECG信号的有用性，我们引入了心脏桥，这是针对各种心脏相关任务的全面评估基准，包括心率和血压估计，压力分类以及对心房颤动和糖尿病的检测。我们的详尽实验表明，RDDM在心脏座位上实现了最先进的表现。据我们所知，RDDM是生物信号域中交叉模式信号转换翻译的第一个扩散模型。据我们所知，RDDM是生物信号域中交叉模式信号转换翻译的第一个扩散模型。
使用基于嘈杂学生的训练来提高 T1 加权对比增强 3D MRI 中的脑转移瘤检测率
摘要 — 早期发现脑转移瘤 (BM) 可能对癌症患者的预后产生积极影响。我们之前开发了一个框架，用于在 T1 加权对比增强 3D 磁共振图像 (T1c) 中检测小 BM（直径小于 15 毫米），以协助医疗专家完成这项时间敏感且高风险的任务。该框架利用专用的卷积神经网络 (CNN)，该网络使用标记的 T1c 数据进行训练，其中基本事实 BM 分割由放射科医生提供。本研究旨在通过一种基于嘈杂学生的自训练策略来推进该框架，以利用大量未标记的 T1c 数据（即没有 BM 分割或检测的数据）。因此，该工作 (1) 描述了学生和老师 CNN 架构，(2) 介绍了数据和模型噪声机制，以及 (3) 引入了一种新颖的伪标记策略，考虑到框架学习到的 BM 检测灵敏度。最后，它描述了一种利用这些组件的半监督学习策略。我们使用 217 个标记和 1247 个未标记的 T1c 检查通过 2 倍交叉验证进行了验证。仅使用标记检查的框架在 90% 的 BM 检测灵敏度下产生了 9.23 个假阳性；而使用引入的学习策略的框架在相同灵敏度水平下导致错误检测减少约 9%（即 8.44）。此外，虽然使用 75% 和 50% 标记数据集的实验导致算法性能下降（分别为 12.19 和 13.89 个假阳性），但使用嘈杂的学生训练策略的影响不太明显（分别为 10.79 和 12.37 个假阳性）。
将扩散模型缩放到现实世界3D激光雷达场景完成
计算机视觉技术在自动驾驶汽车的感知堆栈中起着核心作用。使用此类方法来感知给定数据的车辆周围环境。3D激光雷达传感器通常用于从场景中收集稀疏的3D点云。然而，根据人类的看法，这种系统努力鉴于那些稀疏的点云，因此很难塑造现场的看不见的部分。在此问题中，场景完成任务旨在预测LiDAR测量中的差距，以实现更完整的场景表示。鉴于最近扩散模型作为图像的生成模型的有希望的结果，我们建议将其扩展以实现单个3D LIDAR扫描的场景。以前的作品使用了从LiDAR数据提取的范围图像上使用扩散模型，直接应用了基于图像的扩散方法。差不多，我们建议直接在这些点上操作，并介绍尖锐的和降解的扩散过程，以便它可以在场景规模上有效地工作。与我们的方法一起，我们提出了正规化损失，以稳定在denoising过程中预测的噪声。我们的实验评估表明，我们的方法可以在单个LIDAR扫描中完成场景，作为输入，与最新场景完成方法相比，产生了更多详细信息的场景。我们认为，我们提出的扩散过程公式可以支持应用于场景尺度点云数据的扩散模型中的进一步研究。1
将扩散模型缩放到现实世界3D激光雷达场景完成
计算机视觉技术在自动驾驶汽车的感知堆栈中起着核心作用。使用此类方法来感知给定数据的车辆周围环境。3D激光雷达传感器通常用于从场景中收集稀疏的3D点云。然而，根据人类的看法，这种系统努力鉴于那些稀疏的点云，因此很难塑造现场的看不见的部分。在此问题中，场景完成任务旨在预测LiDAR测量中的差距，以实现更完整的场景表示。鉴于最近扩散模型作为图像的生成模型的有希望的结果，我们建议将其扩展以实现单个3D LIDAR扫描的场景。以前的作品使用了从LiDAR数据提取的范围图像上使用扩散模型，直接应用了基于图像的扩散方法。差不多，我们建议直接在这些点上操作，并介绍尖锐的和降解的扩散过程，以便它可以在场景规模上有效地工作。与我们的方法一起，我们提出了正规化损失，以稳定在denoising过程中预测的噪声。我们的实验评估表明，我们的方法可以在单个LIDAR扫描中完成场景，作为输入，与最新场景完成方法相比，产生了更多详细信息的场景。我们认为，我们提出的扩散过程公式可以支持应用于场景尺度点云数据的扩散模型中的进一步研究。1
扩散-ES：无梯度计划，扩散自主和指导引导
扩散模型在建模复合物和多模态轨迹分布方面表现出色，以进行决策和控制。最近提出了奖励级别指导的denoising，以生成轨迹，从而最大程度地提高了可差异的奖励函数，又是扩散模型捕获的数据分布下的可能性。奖励级别指导的denoisising需要适合清洁和噪声样本的可区分奖励功能，从而限制了其作为一般轨迹优化器的应用。在本文中，我们提出了扩散-ES，一种将无梯度优化与轨迹deNoising结合起来的方法，以优化黑框非差异性目标，同时留在数据管理中。扩散-ES样品在进化过程中的轨迹 - 从扩散模型中搜索，并使用黑框奖励函数得分。它使用截断的扩散过程突变高得分轨迹，该过程应用了少量的no弱和降解步骤，从而可以更有效地探索解决方案空间。我们表明，扩散-ES在Nuplan上实现了最先进的表现，Nuplan是一个已建立的闭环计划基准，用于自动驾驶。扩散-ES的表现优于现有的基于抽样的计划者，反应性确定性或基于扩散的策略以及奖励梯度指导。此外，我们表明，与先前的指导方法不同，我们的方法可以优化由少数弹药LLM提示产生的非差异性语言形状奖励功能。这使我们能够解决最困难的NUPLAN场景，这些方案超出了现有的传统优化方法和驾驶策略的能力。在以遵循指示的人类老师的指导下，我们的方法可以产生新颖的，高度复杂的行为，例如训练数据中不存在的积极的车道编织。1
陪审团suh
1。NOWISIS数据如何影响学习的接触动态？H.J.Terry Suh，M。Simchowitz，T。Pang，R。Tedrake IROS 2023研讨会：学习符合基于模型的操纵方法，并掌握2。与梯度打击不确定性：通过扩散得分与H.J.Terry Suh，G。Chou，H。Dai，L。Yang，A。Gupta，R。Tedrake机器人学习会议（CORL），2023 3.种子：6D中的串联弹性末期效果用于Visuotactile工具使用H.J.Terry Suh，N。Kuppuswamy，T。Pang，P。Mitiguy，A。Alspach，R。Tedrake国际智能机器人和系统会议（IROS），2022年，4。可区分的模拟器会提供更好的政策梯度吗？H.J.Terry Suh，M。Simchowitz，K。Zhang，R。Tedrake国际机器学习会议（ICML），2022年，Long Talk，杰出纸张奖5.在策略优化中使用可区分的模拟器进行访问量填充的操作H.J.Terry Suh，M。Simchowitz，K。Zhang，T。Pang，R。Tedrake ICRA 2022车间：RL操纵6。线性模型在对象桩操纵中的线性模型的令人惊讶的有效性H.J.Terry Suh，R。Tedrake算法XIV（WAFR），347-363，2020 7。多模式混合运动H.J.Terry Suh，X。Xiong，A。Singletary，A.D。Ames，J.W。 Burdick IEEE国际智能机器人与系统会议（IROS），2020 8。 朝着面向人形的运动写作A. Stoica，H.J。 Terry Suh，S.M。Terry Suh，X。Xiong，A。Singletary，A.D。Ames，J.W。Burdick IEEE国际智能机器人与系统会议（IROS），2020 8。朝着面向人形的运动写作A. Stoica，H.J。Terry Suh，S.M。Terry Suh，S.M。Hewitt，S。Bechtle，A。Gruebler，Y。IwashitaIEEE国际系统，人与控制论的国际会议（SMC），2017年