XiaoMi-AI文件搜索系统
World File Search SystemSliced
ORNL Slicer 2.0：迈向新的切片范式
增材制造的一个基本步骤是切片。切片是将 3D 网格转换为一组包含构建对象所需所有路径的图层。切片过程通常被视为连续增材制造工作流程中的一个步骤：在 CAD 中设计一个对象，切片，然后将 G 代码发送到增材制造系统进行构建。虽然成功了，但此工作流程存在局限性，例如利用传感器反馈来改变路径。为了解决局限性并更好地利用工业 4.0 革命带来的机遇，橡树岭国家实验室的研究人员开发了一种新的切片机 ORNL Slicer 2.0。Slicer 2.0 的开发采用了“按需”切片的概念，切片机在对象构建中发挥了更积极的作用。在本文中，我们描述了这种新方法的基本设计理念以及 Slicer 2.0 框架。
使用预先训练的垂直二维扩散模型改善三维成像
扩散模型由于其众多优点已成为一种流行的图像生成和重建方法。然而，大多数基于扩散的逆问题解决方法仅处理二维图像，即使是最近发表的三维方法也没有充分利用三维分布先验。为了解决这个问题，我们提出了一种新方法，使用两个垂直的预训练二维扩散模型来解决三维逆问题。通过将三维数据分布建模为不同方向切片的二维分布的乘积，我们的方法有效地解决了维数灾难。我们的实验结果表明，我们的方法对于三维医学图像重建任务非常有效，包括 MRI Z 轴超分辨率、压缩感知 MRI 和稀疏视图 CT。我们的方法可以生成适合医疗应用的高质量体素体积。代码可在 https://github.com/hyn2028/tpdm 获得
使用物理引导的对抗网络生成破裂标本的人工位移数据
抽象的数字图像相关性（DIC）已成为监视和评估开裂标本的机械实验的宝贵工具，但是由于固有的噪声和人工制品，通常很难自动检测裂纹。机器学习模型在使用DIC测量的，插值的全景位移作为基于卷积的分割模型的输入中检测裂纹路径和裂纹尖端非常成功。仍然需要大数据来训练此类模型。但是，由于实验昂贵且耗时，科学数据通常很少。在这项工作中，我们提出了一种直接生成类似于实际插值DIC位移的破裂标本的大量人工位移数据的方法。该方法基于生成对抗网络（GAN）。在训练期间，鉴别器以衍生的von Mises等效菌株的形式接收物理领域知识。我们表明，与经典的无指导GAN方法相比，这种物理学引导的方法在样品的视觉质量，切成薄片的Wasserstein距离和几何得分方面会带来改善的结果。
![arXiv:2303.15939v1 [eess.IV] 2023 年 3 月 28 日](/simg/f\fb020348d55c0fbb9129702104facb46a48991f0.webp)
arXiv:2303.15939v1 [eess.IV] 2023 年 3 月 28 日
数字图像相关 (DIC) 已成为评估机械实验（尤其是疲劳裂纹扩展实验）的宝贵工具。评估需要裂纹路径和裂纹尖端位置的准确信息，但由于固有的噪声和伪影，这些信息很难获得。机器学习模型在识别标记的 DIC 位移数据时非常成功。为了训练具有良好泛化的稳健模型，需要大数据。然而，由于实验成本高昂且耗时，材料科学与工程领域的数据通常很少。我们提出了一种使用带有物理引导鉴别器的生成对抗网络生成合成 DIC 位移数据的方法。为了确定数据样本是真是假，该鉴别器还接收派生的 von Mises 等效应变。我们表明，这种物理引导方法可以提高样本的视觉质量、切片 Wasserstein 距离和几何分数。
使用高密度微电极阵列对脑器官进行功能成像
研究已提供证据表明，人类脑类器官 (hCO) 重现了早期大脑发育的基本里程碑，但关于其功能和电生理特性的许多重要问题仍然存在。高密度微电极阵列 (HD-MEA) 是一种有吸引力的分析平台，可用于在细胞和网络规模上进行神经元网络的功能研究。在这里，我们使用 HD-MEA 从切片 hCO 中获取大规模电生理记录。我们记录了几周内 hCO 切片的活动，并从药理学角度探究观察到的神经元动态。此外，我们还展示了如何对获得的记录进行尖峰分类并随后进行跨尺度研究的结果。例如，我们展示了如何在 HD-MEA 上跟踪几天内的单个神经元以及如何推断轴突动作电位速度。我们还从 hCO 记录中推断出假定的功能连接。引入的方法将有助于更好地理解脑类器官中正在发育的神经元网络，并为它们的功能表征提供新方法。
金属添加剂制造
I.简介添加剂制造（也称为3D打印）是一项技术，可从材料（无论是基于聚合物还是金属）逐层生产三维零件。该方法依赖于要传输到机器然后构建组件的数字数据文件。金属粉末床融合是一种增材制造技术，它使用高功率的Ytterbium纤维激光器将精细的金属粉末融合在一起，从而创建功能性3维零件。该过程是数字驱动的，直接从切成薄片的3D CAD数据中。对于每片CAD数据，整个构建板上都沉积了薄薄的细金属粉末，然后粉末的选定区域被激光精确地融化。此过程被重复逐层构建，直到构建完成为止。添加剂制造的早期采用者包括高端汽车，航空航天和消费品客户。在牙齿，医疗和工具中使用越来越多的行业的应用程序正在增长。Renishaw拥有提供医疗保健解决方案的专门团队。
arXiv:2303.15939v1 [eess.IV] 2023 年 3 月 28 日
数字图像相关 (DIC) 已成为评估机械实验（尤其是疲劳裂纹扩展实验）的宝贵工具。评估需要裂纹路径和裂纹尖端位置的准确信息，但由于固有的噪声和伪影，这些信息很难获得。机器学习模型在识别标记的 DIC 位移数据时非常成功。为了训练具有良好泛化的稳健模型，需要大数据。然而，由于实验成本高昂且耗时，材料科学与工程领域的数据通常很少。我们提出了一种使用带有物理引导鉴别器的生成对抗网络来生成合成 DIC 位移数据的方法。为了确定数据样本是真是假，该鉴别器还接收派生的 von Mises 等效应变。我们表明，这种物理引导方法可以提高样本的视觉质量、切片 Wasserstein 距离和几何分数。
成分语句
水，香蕉，燕麦牛奶[燕麦奶（过滤水，全麦燕麦粉，燕麦浓缩液），含有2％或更低的：葵花籽油，维生素和矿物质混合物（碳酸钙，棕榈酸钙A棕榈酸盐，维生素A，维生素D2，维生素D2，核糖素B12），维生素B12） Acid (to protect freshness), Natural Flavor], NONFAT NSA VANILLA FLAVORED FROZEN YOGURT [Skim Milk, Polydextrose, Maltodextrin, Sorbitol, contains 2% or less of: Whey Protein Concentrate, Natural Flavors, Tara Gum, Guar Gum, Carrageenan, Carob Bean Gum, Mono- and Diglycerides, Acesulfame Potassium, Sucralose, Annatto提取物（颜色），培养物]，花生酱（花生，盐），truvia（erythrotol，甜叶菊叶提取物，天然香料），格兰诺拉麦片[卷燕麦，红糖，红糖，杏仁片，驱动器，expeller duplered canola盐]，蜂蜜。
密歇根州教育部备忘录
•源自美国的国内食品。鼓励购买当地的密歇根州种植食品。•完整，切割，新鲜，冷冻，罐头或干燥的食物。•示例：切成薄片的胡椒，切碎的胡萝卜硬币，南瓜泥，切成丁的西红柿，新鲜苹果，冷冻桃子，玉米罐头，干樱桃。•乳制品，例如牛奶，货架稳定的牛奶，奶酪和酸奶。调味的牛奶和酸奶是可以接受的，大豆和奶油奶酪也可以接受。•苹果，蓝莓，樱桃，葡萄，桃子，梨，覆盆子，新鲜，冷冻或罐装状态以及100％果汁等水果。这包括未饮用的苹果酱。•新鲜，冷冻或罐装状态和100％果汁中的西兰花，胡萝卜，豌豆，生菜等蔬菜。•谷物，例如面食，大米，玉米，燕麦或全麦面粉。•全部，碎片或地面的动物产品，例如鸡胸肉，火鸡/火腿熟食肉，火鸡/牛肉，鸡蛋，硬煮鸡蛋和罐装海鲜。•豆类，例如鹰嘴豆罐头，肾脏豆，黑豆和小扁豆。