XiaoMi-AI文件搜索系统
World File Search SystemSian
协议v8.1减少初级保健中的呼吸道感染
Paul Little首席调查员Adam Geraghty博士合伙调查员调查员的计划赠款教授露西·Yardley南安普敦大学 /布里斯托尔大学布里斯托尔大学布里斯托尔·海斯托尔大学布里斯托尔大学教授克里斯托弗·巴特勒教授牛津大学牛津大学教授尼克·弗朗西斯·尼克·尼克·尼克·尼克·尼克·尼克·尼克·尼克·尼克·尼克·尼克·尼克·尼克·尼克·尼克·尼克南安普敦的理查兹霍尔大学苏瓦朱南斯普顿大学博士贝丝·斯图尔特博士贝丝·斯图尔特大学南安普敦女士索尼亚·诺曼斯特顿女士南安普敦教授詹姆斯·拉夫特顿教授南安普敦教授本·阿恩斯沃思巴斯博士凯特·布拉德伯里·凯特·布拉德伯里·南安普顿大学南安普顿大学南安普顿丹尼姆·丹尼斯特·莱斯特·莱尔·莱尔·莱尔特·莱尔·莱斯特·莱斯顿大学的凯特·布拉德伯里大学博士南安普敦的西安·威廉姆森大学，凯特·拉姆斯比大学南安普敦大学，南安普敦简·维尼克大学博士
istituto nazionale di ricerca Metrologica ...
在过去的几年中，几项作品证明了光子减去gaus-sian状态的优势，用于各种量子光学和信息协议。在大多数这些作品中，没有清楚地研究了与光子减法相关的量子状态的优势与通常增加的能量之间的关系。在本文中，我们研究了注射多个光子歼灭的挤压真空状态与连贯状态的单个相关状态和相关相位估计的表现的性能。对于单相估计，尽管使用多光子歼灭的每种模式平均光子挤压真空状态与经典策略相比，在平均平均光子的平均光子中提供了优势，但如果保留了总输入能量，则固定了总输入能量，但由于光子亚收集的光子的优势完全丢失。然而，对于类似情况下的相关情况，似乎来自光子统计的能量上升和改善。特别是量子对光子减法状态的敏感性对损失似乎更强大，在挤压真空状态下，在检测效率的现实价值的情况下，相对于挤压真空状态的优势约为30％。
使用自由费米子
我们从自由费米子的角度研究变异量子算法。通过设计相关的LIE代数的明确结构，我们表明，量子相比优化算法（QAOA）在一维晶格上 - 具有脱钩角度 - 具有脱钩的角度 - 能够准备所有符合电路符号的费米斯高斯州的状态。利用这些宗教信仰，我们在数值上研究了这些对称性和目标状态的局部性之间的相互作用，并发现缺乏符号的情况使非局部状态更容易预先预测。对高斯状态的有效的经典模拟，系统尺寸高达80和深电路，用于研究电路过度参数化时的行为。在这种优化方案中，我们发现迭代的迭代数与系统大小线性线性缩放。更重要的是，我们观察到，与溶液收敛的迭代次数会随电路深度呈指数降低，直到它以系统尺寸为二次的深度饱和。最后，我们得出的结论是，可以根据梯度提供的更好的局部线性近似图来实现优化的改进。
Cendol：印尼语言的开放指导调节的大型语言模型
大语言模型（LLMS）在各种领域和语言中表现出雄性的能力。然而，低资源语言（例如印尼 - 西安土著语言）出现了一个显着的质量差距，使它们在这种语言文本中具有无效和效率低下。为了弥合这一质量差距，我们介绍了Cendol，Cendol是印尼LLM的集合，其中包含了仅解码器和编码的解码器体系结构，这些架构遍布各种型号。我们强调了Cendol在各种任务中的有效性，取得了约20％的提高，并证明了其概括印度尼西亚看不见的任务和土著语言的能力。此外，Cendol模型展示了改善人类的偏爱，尽管它们在捕获印尼的知识知识和文化价值方面存在局限性。此外，我们讨论了用于语言适应的参数有效调谐（例如Lora）的缺点。另外，我们提出词汇适应的用法以提高效率。最后，我们评估了Cendol的安全性，并展示了一种语言（例如英语）的预训练的安全性，即使没有RLHF和安全性微调，也可以转移到低资源语言（例如印尼语）。1
物理综合的3D高斯用于生成动力学
我们介绍了Physgaussian，这是一种新方法，将物理扎根的牛顿动力学无缝地集成在3D高斯人中，以实现高质量的新型运动合成。采用自定义材料方法（MPM），我们的方法丰富了3D高斯内核，具有物理意义的运动学变形和机械应力属性，所有这些都符合连续力学原理。我们方法的定义特征是物理模拟和vi-sual渲染之间的无缝集成：这两个组件都利用相同的3D gaus-sian内核作为离散表示。这否定了三角/四面体缝合，行进的立方体，“笼子网格”或任何其他几何嵌入的必要性，突出了“您所看到的就是您所见的原则（WS 2）。”我们的方法证明了各种材料（包括弹性实体，塑料金属，非牛顿液和颗粒状材料）的特殊效果，展示了其在创建具有新颖观点和运动的Di-Verse视觉内容方面的强大能力。我们的项目页面是：https：//xpandora.github。io/ physgaussian/。
通过二元优化镜头
要控制机器人如何移动，运动计划必须在高维状态空间中计算路径，同时考虑与电动机和关节相关的物理约束，产生平稳稳定的运动，避免障碍物，并防止碰撞。因此，运动计划算法必须平衡竞争需求，并且应非常融合不确定性，以处理噪声，模型错误并促进在复杂环境中的部署。为了解决这些问题，我们基于变异的gaus-sian流程为机器人运动计划介绍了一个框架，该过程统一并概括了基于概率的各种基于概率的运动计划算法，并将它们与基于优化的计划者联系起来。我们的框架提供了一种原则性和灵活的方式，用于基于不平等的基于不平等的不平等和软运动规划的约束，在末端训练期间是直接的，并提供基于间隔和基于蒙特卡洛的不确定性估计值。我们使用不同的环境和机器人进行实验，并根据计划的路径的可行性和障碍避免质量进行比较。结果表明，我们提出的方法在成功率和路径质量之间取得了良好的平衡。
基于负担区和人类示范的学习空间双人行动模型
摘要 - 在本文中，我们提出了一种新颖的方法，用于通过在负担能力区域之间提取空间约束（称为负担限制），从人类辩护中学习双人操纵作用。负担区域被定义为为代理提供交互可能性的对象部分。例如，瓶子的底部为要放置在表面上的物体，而其喷口则为要倒的液体提供。我们提出了一种新的方法，以了解人类演示中负担限制的变化，以构建代表对象相互作用的空间双人作用模型。为了利用这些空间双人动作模型中编码的信息，我们制定了一个优化问题，以确定跨多个执行关键点之间的最佳对象配置，同时考虑到初始场景，学习的负担能力约束以及机器人的运动学。我们通过两个示例任务（倒水和滚动面团）评估模拟方法的方法，并比较了可承受性约束的三个不同定义：（i）Carte-Sian空间中负担能力区域之间的距离，（II）组件之间的差异区域之间的偏差区域之间的差异空间和（III II II）的满意度的满意度的smerferatival symertics symertiant sysercant的距离为特定。
反射性高斯脱落
新型视图合成由于基于越来越强大的NERF和3DGS方法而经历了重大进步。但是，反光对象的重新构造仍然具有挑战性，缺乏适当的解决方案来实现实时，高质量的渲染，同时适应反射。为了填补这一空白，我们引入了一个反光的高斯裂（ref-gaussian）框架，并具有两个组件：（i）基于物理的递延渲染，通过公式化的分裂近似来赋予像素级材料的渲染方程； （ii）首次意识到高斯跨度范式内的反射函数的高斯基间反射。为了增强几何形状建模，我们进一步引入了材料感知的诺尔传播和初始的人均阴影阶段，以及2d gaus-sian原始阶段。在标准数据集上进行的广泛实验表明，在定量指标，视觉质量和计算效率方面，参考文献超过了现有方法。此外，我们表明我们的方法是反射性场景和非反射场景的统一解决方案，超越了以前的替代方案，仅着眼于反思场景。另外，我们说明Ref-Gaussian支持更多的应用程序，例如重新设计和编辑。
![arxiv：2411.12168v2 [CS.CV] 2024年11月22日](/simg/g:\will\search\icon\source\0\0e5463a0d0a9c4f6edba8a03501a175064b7dc4a.webp)
arxiv：2411.12168v2 [CS.CV] 2024年11月22日
高斯脱落（GS）[16]，它比以前的方法具有出色的实时小说视图渲染能力和更好的光真逼真的重构。与其他几何表示类似，例如NERF [24]和三角形网格，提出了各种对照机械的编辑GS，例如文本提示[4，5，34，35]和视频先验[20，28]。不幸的是，这些类型的控件设计用于广泛的高级编辑（在新手用户的功能中），而无需对变形进行细粒度的控制。另一方面，已经对更直接，几何编辑进行了一些研究，例如通过基于物理的模拟[37] - 这再次提供了有限的编辑capabilies。提供细粒几何控制的问题在于GS表示，该表示由不同3D高斯的非结构化阵列组成，当时，当散布到2D画布上时，其凝聚力形成视觉效果。这通常会导致不同的gaus -sian之间的全球依赖性 - 改变了一个人的位置，场景的合理性被破坏了。因此，很难提供执行本地编辑的能力，同时保持所得视觉效果的完整性。为了解决这些问题，在这项工作中，我们介绍了第一个草图引导的3D GS变形系统，该系统使用户能够与对象的简单2D草图进行直观的互动，并诱导Gaus-Sians的3D变形。2）Seman-为了实现这一目标，我们提出了几个技术争议：1）几何形式，以确保对所产生的变形受到调节，我们提出了基于基于笼子的变形的GS的新型变形框架，而基于笼子的变形，这反过来又由变形雅各布人[1]。
vipdiff：通过无训练的denoising扩散模型迈向连贯而多样的视频介绍
最近的视频介绍方法通过利用光学流以引导像素传播的参考帧或特征空间中的像素传播，从而实现了令人鼓舞的改进。但是，当蒙版面积太大并且找不到像素对应关系时，它们会产生严重的伪影。最近，Denois的扩散模型在产生多样化和高质量的图像时表现出了令人印象深刻的表现，并且已在许多作品中被用于图像插图。但是，这些方法不能直接应用于视频以产生时间连接的覆盖结果。在本文中，我们提出了一个名为Vipdiff的无训练框架，该框架在反向扩散过程中调节扩散模型，以产生时间连接的涂漆结果，而无需任何培训数据或对预训练的模型进行微调。Vipdiff将光流作为指导，从参考帧中提取有效的像素，以作为优化随机采样的高斯噪声的约束，并使用生成的结果来进一步的像素传播和条件生成。Vipdiff还可以通过不同的采样噪声产生各种视频介绍结果。实验表明，我们的Vipdiff在时空连贯性和保真度方面都超过了最先进的方法。