XiaoMi-AI文件搜索系统
World File Search SystemReconstruction
知道您的邻居：通过空间视觉语言推理改善单视的重建
从单个视图中恢复3D场景几何形状是计算机视觉中的基本问题。虽然经典的深度估计方法仅推断出2.5D场景表示为图像平面，但最新的基于辐射范围的aperach是重建完整的3D代表。然而，这些方法仍然在被占地的区域困难，因为没有视觉观察的几何形状需要（i）周围的语义知识，以及（ii）关于空间上下文的推理。我们提出了Kyn，这是一种单视场景重建的新方法，其原因是语义和空间上下文来预测每个点的密度。我们引入了一个视觉模块模块，以使用细粒度的语义信息丰富点特征。我们通过语言引导的空间注意机制在整个场景中汇总了点表示，以产生意识到3D语义环境的每点密度预测。我们表明，与预测每个3D点的密度相比，Kyn改善了3D形状的恢复。我们在Kitti-360上实现了最新的场景和对象重建结果，并且与先前的工作相比，零弹性概括的改进。项目页面：https：//ruili3.github.io/kyn。
基于二维稀疏心脏磁共振成像的三维双心室心脏形状重建和建模的神经变形模型
我们提出了一种新颖的神经可变形模型 (NDM)，旨在从二维稀疏心脏磁共振 (CMR) 成像数据中重建和建模心脏的三维双心室形状。我们使用混合可变形超二次曲面对双心室形状进行建模，该超二次曲面由一组几何参数函数参数化，能够进行全局和局部变形。虽然全局几何参数函数和变形可以从视觉数据中捕捉到总体形状特征，但可以学习局部变形（参数化为神经微分同胚点流）来恢复详细的心脏形状。与传统可变形模型公式中使用的迭代优化方法不同，可以训练 NDM 来学习此类几何参数函数、来自形状分布流形的全局和局部变形。我们的 NDM 可以学习以任意尺度加密稀疏心脏点云并自动生成高质量的三角网格。它还可以隐式学习不同心脏形状实例之间的密集对应关系，以实现准确的心脏形状配准。此外，NDM 的参数直观，医生无需复杂的后处理即可使用。大型 CMR 数据集上的实验结果表明，NDM 的性能优于传统方法。
从单目遥感图像进行 3D 建筑物重建
与从 LiDAR 数据和多视图影像重建相比，倾斜影像重建是大规模城市建模的重要研究问题和经济解决方案。然而，建筑物足迹和立面的部分不可见性、严重的阴影效应以及大范围区域内建筑物高度的极端变化等若干挑战将现有的基于单目影像的建筑物重建研究限制在某些应用场景中，即从近地面影像建模简单的低层建筑物。在本研究中，我们提出了一种新颖的单目遥感影像 3D 建筑物重建方法，解决了上述困难，从而为更复杂的场景提供了一种有吸引力的解决方案。我们设计了一个多任务建筑物重建网络 MTBR-Net，通过四个语义相关任务和三个偏移相关任务来学习倾斜影像的几何属性、3D 建筑物模型的关键组件及其关系。网络输出通过基于先验知识的 3D 模型优化方法进一步集成，以生成最终的 3D 建筑模型。在公共 3D 重建数据集和新发布的数据集上的结果表明，与目前最先进的方法相比，我们的方法将高度估计性能提高了 40% 以上，将分割 F1 分数提高了 2% - 4%。
单眼视频的动态头部重建
我们提出了来自单眼RGB视频的动态3D头部重建的单眼神经参数头模型（Mono NPHM）。到此为止，我们提出了一个潜在的空间空间，该空间在神经参数模型的顶部参数化纹理场。我们限制了预测的颜色阀与基础几何形状相关，以便RGB的梯度有效地影响反向渲染过程中的潜在几何代码。为了提高表达空间的代表能力，我们使用超二维增强了向后变形场，从而在拓扑具有挑战性的表达式中显示出颜色和几何表示。使用Mono NPHM作为先验，我们使用基于符号距离字段的体积渲染来处理3D头重建的任务。通过nu毫无反转，我们使用面部锚点构成了具有里程碑意义的损失，这些损失与我们的规范几何表示紧密相关。为了评估单眼RGB视频的动态面部重建任务，我们在休闲条件下记录了20个具有挑战性的Kinect序列。单nphm超过 -
从文本数据>的高保真3D重建的生成方法
Ian Goodfellow等。 （2014）开创性的GAN论文介绍了一个框架，在该框架中，生成器和歧视器竞争生成逼真的合成数据，革命跨领域的生成建模。 lvmin Zhang等。 （2023）本文通过合并条件控制，从而增强了文本对图像扩散模型，从而实现了细粒的视觉生成。 它通过引入其他调节方法（例如对姿势，颜色和样式的控制）来改善输出。 Christian Ledig等。 （2017）Srgan引入了一种基于GAN的方法，将高档低分辨率图像用于高分辨率图像，从而产生了逼真的细节。 它使用感知损失来捕获常规方法无法实现的更细纹理。 Xuebin Qin等。 （2020）U2-NET提出的方法引入了嵌套的U形网络体系结构，旨在有效且轻巧的显着对象检测。 该模型以更少的计算资源来实现最先进的性能。Ian Goodfellow等。（2014）开创性的GAN论文介绍了一个框架，在该框架中，生成器和歧视器竞争生成逼真的合成数据，革命跨领域的生成建模。lvmin Zhang等。（2023）本文通过合并条件控制，从而增强了文本对图像扩散模型，从而实现了细粒的视觉生成。它通过引入其他调节方法（例如对姿势，颜色和样式的控制）来改善输出。Christian Ledig等。（2017）Srgan引入了一种基于GAN的方法，将高档低分辨率图像用于高分辨率图像，从而产生了逼真的细节。它使用感知损失来捕获常规方法无法实现的更细纹理。Xuebin Qin等。 （2020）U2-NET提出的方法引入了嵌套的U形网络体系结构，旨在有效且轻巧的显着对象检测。 该模型以更少的计算资源来实现最先进的性能。Xuebin Qin等。（2020）U2-NET提出的方法引入了嵌套的U形网络体系结构，旨在有效且轻巧的显着对象检测。该模型以更少的计算资源来实现最先进的性能。
从文本数据>的高保真3D重建的生成方法
Ian Goodfellow等。 （2014）开创性的GAN论文介绍了一个框架，在该框架中，生成器和歧视器竞争生成逼真的合成数据，革命跨领域的生成建模。 lvmin Zhang等。 （2023）本文通过合并条件控制，从而增强了文本对图像扩散模型，从而实现了细粒的视觉生成。 它通过引入其他调节方法（例如对姿势，颜色和样式的控制）来改善输出。 Christian Ledig等。 （2017）Srgan引入了一种基于GAN的方法，将高档低分辨率图像用于高分辨率图像，从而产生了逼真的细节。 它使用感知损失来捕获常规方法无法实现的更细纹理。 Xuebin Qin等。 （2020）U2-NET提出的方法引入了嵌套的U形网络体系结构，旨在有效且轻巧的显着对象检测。 该模型以更少的计算资源来实现最先进的性能。Ian Goodfellow等。（2014）开创性的GAN论文介绍了一个框架，在该框架中，生成器和歧视器竞争生成逼真的合成数据，革命跨领域的生成建模。lvmin Zhang等。（2023）本文通过合并条件控制，从而增强了文本对图像扩散模型，从而实现了细粒的视觉生成。它通过引入其他调节方法（例如对姿势，颜色和样式的控制）来改善输出。Christian Ledig等。（2017）Srgan引入了一种基于GAN的方法，将高档低分辨率图像用于高分辨率图像，从而产生了逼真的细节。它使用感知损失来捕获常规方法无法实现的更细纹理。Xuebin Qin等。 （2020）U2-NET提出的方法引入了嵌套的U形网络体系结构，旨在有效且轻巧的显着对象检测。 该模型以更少的计算资源来实现最先进的性能。Xuebin Qin等。（2020）U2-NET提出的方法引入了嵌套的U形网络体系结构，旨在有效且轻巧的显着对象检测。该模型以更少的计算资源来实现最先进的性能。
使用迭代完善的波场重建反演的定量光声断层扫描：仿真研究
摘要 - 光声tomog-raphy的最终目标是准确绘制整个成像组织中的吸收系数。大多数研究都假定生物组织的声学特性，例如声音（SOS）和声学衰减，或者在整个组织中都是均匀的。这些假设降低了衍生吸收系数估计的准确性（DEAC）。我们的定量光声断层扫描（QPAT）方法使用迭代完善的波场重建内部（IR-WRI）估算DEAC，该局部结合了乘数的交替方向方法，以解决与全波逆算法相关的循环跳过挑战。我们的方法弥补了SOS不均匀性，衰变和声学衰减。我们在新生儿头数字幻影上评估了方法的性能。
使用相的定量MRI重建
摘要。定量磁共振成像（QMRI）需要多相的采集，通常依赖于减少数据采样和重建算法来加速扫描，这固有地构成了不良的逆概率。尽管许多研究着重于在此过程中衡量不确定性，但很少有人探索如何利用它来增强重建性能。在本文中，我们介绍了PUQ，这是一种新型的方法，它率先将不确定性信息用于QMRI重建。PUQ采用了两个阶段的重建和参数拟合框架，其中估计在重建过程中估算相位的不确定性，并在拟合阶段使用。此设计允许不确定性反映参数拟合期间不同阶段的可靠性和指导信息集成。我们评估了来自健康受试者的体内T1和T2映射数据集的PUQ。与现有的QMRI重建方法相比，PUQ在参数映射中实现了最新性能，证明了不确定性指导的有效性。我们的代码可在https：// anony-mous.4open.science/r/puq-75b2/上找到。
伪内扩散模型
摘要 - 基于分数的扩散模型具有显着的生成深度学习，用于图像处理。调查条件模型也已应用于CT重建等反问题。但是，常规方法（最终以白噪声）需要大量的反向过程更新步骤和分数功能评估。为了解决这一局限性，我们提出了一个基于分数扩散模型的替代前进过程，该过程与低剂量CT重建的噪声特性一致，而不是收敛到白噪声。这种方法大大减少了所需的得分功能评估的数量，提高效率并维持放射科医生熟悉的噪声纹理，我们的方法不仅可以加速生成过程，而且还保留了CT噪声相关性，这是临床医生经常批评的深度学习重建的关键方面。在这项工作中，我们严格地为此目的定义了基质控制的随机过程，并通过计算实验对其进行验证。使用来自癌症基因组肝肝肝癌（TCGA-LIHC）的数据集，我们模拟了低剂量CT测量结果并训练我们的模型，将其与基线标量扩散过程和条件扩散模型进行了比较。我们的结果证明了我们的伪内扩散模型的优越性，并在质地上产生高质量重建的能力，这些重建在质地上熟悉的医学专业人员的得分函数评估较少。这一进步为医学成像中更有效和临床上的扩散模型铺平了道路，在需要快速重建或较低辐射暴露的情况下尤其有益。