XiaoMi-AI文件搜索系统
World File Search SystemTex
反事实说明的文本到图像模型
本文解决了生成法定说明（CES）的挑战，涉及识别和修改最少的必要特征，以使分类器对给定图像的预测进行预测。我们提出的方法是反事实e xplanations（Time）的tept to-i mage m odels，是一种基于蒸馏的黑盒反事实技术。与以前的方法不同，此方法仅需要图像及其预测，从而忽略了分类器的结构，参数或梯度的需求。在生成反事实之前，时间将两个不同的偏见引入了文本嵌入的形式稳定扩散：与图像的结构相关联的上下文偏差和类别偏见，与目标分类器学到的类特异性特征相关。学习了这些偏见后，我们发现了使用类预测的类令牌的最佳潜在代码，并使用目标嵌入作为条件，从而产生了符合性的解释。广泛的经验研究证明，即使在黑色盒子设置中运行时，时间也可以产生可比性的解释。
提示文本到图像扩散模型的迅速反转
提供给文本对图像差异模型的提示的质量决定了生成的内容对用户意图的忠诚程度，通常需要“及时工程”。要通过及时的工程来利用目标图像的视觉概念，当前方法在很大程度上通过优化然后将它们映射到伪tokens来依赖嵌入反演。然而，使用这种高维矢量表示是具有挑战性的，因为它们缺乏语义和可解释性，并且只允许使用它们时模拟矢量操作。相反，这项工作着重于反转扩散模型，以直接获得可靠的语言提示。这样做的挑战在于，由此产生的优化问题从根本上是离散的，提示的空间呈较大。这使得使用标准优化技术，例如随机梯度下降，困难。为此，我们利用延迟的投影方案来访问代表模型中词汇空间的提示。此外，我们利用了扩散过程的时间段与图像中不同级别的细节相差的发现。后来的，嘈杂的，前传扩散过程的时间段对应于语义信息，因此，此范围内的迅速反转提供了代表图像语义的令牌。我们表明，我们的方法可以确定目标图像的语义可解释和有意义的提示，该提示可用于合成具有相似内容的多样化图像。我们说明了优化提示在进化图像生成和概念删除中的应用。
文本驱动的3D一致场景发电
文本驱动的3D场景生成技术近年来取得了迅速的进步。他们的成功主要是为了使用现有的生成模型进行迭代执行图像翘曲和介入以生成3D场景。但是，这些方法在很大程度上依赖于现有模型的外部，从而导致几何和外观中的错误积累，从而阻止模型在各种情况下使用（例如，户外和虚幻的SCE-Narios）。为了解决此限制，我们通常通过查询和聚集全局3D信息来完善新生成的本地视图，然后逐步生成3D场景。具体而言，我们采用基于三平面特征的NERF作为3D场景的统一表示，以限制全局3D的一致性，并提出一个生成的改进网络，通过从2D差异模型以及当前场景的全球3D信息中利用自然图像来综合具有更高质量的新内容。我们的广泛实验表明，与以前的方法相比，我们的方法支持各种各样的场景产生和任意相机传播，并具有提高的视觉质量和3D一致性。
ODM：文本图像进一步的对齐预训练方法，用于场景文本检测和发现
近年来，文本图像联合预训练技术在各种任务中显示出令人鼓舞的结果。然而，在光学特征识别（OCR）任务中，将文本实例与图像中的相应文本区域对齐是一个挑战，因为它需要在文本和OCR文本之间有效地对齐（将图像中的文本称为ocr-文本以与自然语言中的文本区分开来），而不是对整体图像内容的全面理解。在本文中，我们提出了一种新的预训练方法，称为o cr-text d估计化m odeling（ODM），该方法根据文本提示将图像中的文本样式传输到统一样式中。使用ODM，我们在文本和OCR文本之间实现了更好的对齐方式，并启用预训练的模型以适应场景文本的复杂和多样化的样式。此外，我们为ODM设计了一种新的标签生成方法，并将其与我们提出的文本控制器模块相结合，以应对OCR任务中注释成本的挑战，并以大量未标记的数据参与预培训。在多个Pub-LIC数据集上进行的广泛实验表明，我们的方法显着地证明了性能，并且在场景文本检测和发现任务中的当前预训练方法优于当前的预训练方法。代码在ODM上可用。
学习多维人类对文本对...
文本对图像模型的当前指标通常依赖于不足以代表人类真正偏好的统计指标。尽管最近的工作试图通过人类注释的图像来学习这些偏好，但它们将人类偏好的丰富挂毯降低到单个总分。然而，当人类评估不同方面的图像时，偏好会有所不同。因此，为了学习多维人类偏好，我们提出了多维偏好评分（MPS），这是评估文本对图像模型的第一个多维偏好评分模型。MPS引入剪辑模型上的偏好条件模块，以学习这些不同的偏好。它是根据我们的多维人类偏好（MHP）数据集进行了训练的，该数据集包括607,541图像的四个维度（即美学，语义一致性，详细信息，详细质量和整体评估）的918,315个人类偏好选择（即，美学，语义一致性，细节质量和整体评估）。这些信息是由各种最新的文本对图像模型生成的。MPS在4个维度上的3个数据集上优于现有的评分方法，从而使其成为评估和改进文本对象的有希望的指标。该模型和数据集将被公开使用，以促进未来的研究。项目页面：https：//wangbohan97.github.io/mps/。
Magnasoft™ HSSD 亲水性纺织柔软剂
MATERIALS INC. 及其子公司和附属公司（统称“供应商”）的销售须遵守供应商的标准销售条款，该条款包含在适用分销商或其他销售协议中，印在订单确认书和发票背面，并可根据要求提供。尽管本文所含的任何信息、建议或建议均以诚意提供，但供应商不作任何明示或暗示的保证或担保：(i) 本文所述结果将在最终使用条件下获得，或 (ii) 包含其产品、材料、服务、建议或建议的任何设计的有效性或安全性。除供应商的标准销售条款另有规定外，供应商及其代表在任何情况下均不对因使用本文所述材料、产品或服务而造成的任何损失负责。每位用户应自行决定供应商的材料、服务、建议或意见是否适合其特定用途。每位用户必须确定并执行所有必要的测试和分析，以确保其包含供应商产品、材料或服务的成品部件在最终使用条件下是安全的且适合使用。本文件或任何其他文件中的任何内容，或任何口头建议或意见，均不得视为更改、变更、取代或放弃供应商的标准销售条款或本免责声明的任何规定，除非供应商以书面形式明确同意任何此类修改。本文包含的关于任何材料、产品、服务或设计的可能或建议用途的任何声明均不旨在或不应被解释为授予涵盖此类用途或设计的供应商任何专利或其他知识产权下的许可，或建议在侵犯任何专利或其他知识产权的情况下使用此类材料、产品、服务或设计。
检查服装供应链中的裁剪和缝纫纺织废料
如果没有许多个人和组织的宝贵贡献，这个项目不可能取得成功。我们特别感谢我们的客户 Natalie Banakis 和 Lyndsey Sullivan 的远见和合作。我们还衷心感谢我们的教职顾问 Matthew Potoski 博士和 David Tilman 博士以及我们的外部顾问 Roland Geyer 博士、Diana Rosenberg 和 Jennifer DuBuisson 的指导和专业知识。我们特别感谢 Jaenna Wessling 提供的指导。此外，我们还要感谢 Jaimee Redfern、Gosia Nowinka、Ciara Cates、Cassia Cameron、Kim Drenner、Mel Shank、Bennett Ray、Mitchell Maier、Rob Naughter、Laura Hoch、Luca Bonanomi、Rachel Kanter Kepnes、Wendy Savage、Matt Dwyer、Sam Hamilton、Richard Chen 和 Chau Diep 在整个项目过程中给予我们的额外支持。最后，我们感谢Dipaola基金会的慷慨赞助。
德克萨斯州最高法院
但是，必须区分。官方免疫保护个人；政府免疫保护政府实体。参见Dewitt诉Harris County，904 S.W. 2d 650，654（Tex。1995）。个人被告承担着建立官方免疫要素的负担。Brown＆Gay Eng'g，Inc。诉Olivares，461 S.W. 3d 117，128（Tex。2015）（“ [U] Nlike主权免疫。 。 。 官方免疫是一种肯定的辩护，必须由当事方主张并证明。”）。 但政府免于诉讼的免疫力是原告必须克服的管辖权。 Swanson，590 S.W.3d，第549卷，第550页。 上诉法院错误地指出：“ [b]官方免疫力是肯定的辩护，负担承担着建立该辩护的所有要素的负担。” 654 S.W.3d 772，780（Tex。 app。 2022）。 作为摘要判断的动作者，这座城市承担了负担，因为它选择了主张其判决权的程序工具。 参见Swanson，590 S.W.3d，第551页。2015）（“ [U] Nlike主权免疫。。。官方免疫是一种肯定的辩护，必须由当事方主张并证明。”）。但政府免于诉讼的免疫力是原告必须克服的管辖权。Swanson，590 S.W.3d，第549卷，第550页。上诉法院错误地指出：“ [b]官方免疫力是肯定的辩护，负担承担着建立该辩护的所有要素的负担。” 654 S.W.3d 772，780（Tex。app。2022）。作为摘要判断的动作者，这座城市承担了负担，因为它选择了主张其判决权的程序工具。参见Swanson，590 S.W.3d，第551页。