XiaoMi-AI文件搜索系统
World File Search SystemXiong
lv
[1] Honghao Lyu，Anna Bengtsson，Sofie Nilsson，Zhibo Pang，Alf Isaksson和Geng Yang，“无线云雾自动化的延迟感控制：框架和案例研究”，TechRxiv。Preprint, 2023, (Submit to IEEE TASE, under 2nd round review) [2] Honghao Lv , Jing Yan, Jialin Zhang, Zhibo Pang*, Geng Yang, and Alf Isaksson, “Cloud-Fog Automation: Heterogenous Applications over New Generation Infrastructure of Virtualized Computing and Converged Networks”, IEEE Industrial Electronics Magazine （IEEE IEM）。接受，2024。DOI: 10.1109/MIE.2024.3407051 [3] Honghao Lv , Zhibo Pang*, Koushik Bhimavarapu, and Geng Yang, “Impacts of Wireless on Robot Control: The Network Hardware-in-the-Loop Simulation Framework and Real-Life Comparisons”, IEEE Transactions on Industrial Informatics (IEEE TII), 19(9): 9255-9265，2023年9月。doi：10.1109/tii.2022.3227639。( TOP, IF = 12.3 ) [4] Honghao Lv , Depeng Kong, Gaoyang Pang, Baicun Wang, Zhangwei Yu, Zhibo Pang, and Geng Yang*, “GuLiM: A Hybrid Motion Mapping Technique for Teleoperation of Medical Assistive Robot in Combating the COVID-19 Pandemic,” IEEE Transactions on Medical Robotics and Bionics (IEEE TMRB），第1卷。4，不。1，pp。106-117，2022年1月。DOI: 10.1109/TMRB.2022.3146621 (Popular Article) [5] Honghao Lv , Geng Yang*, Huiying Zhou, Xiaoyan Huang, Huayong Yang, Zhibo Pang, “Teleoperation of Collaborative Robot for Remote Dementia Care in Home Environments,” IEEE Journal of Translational Engineering in Health and Medicine (IEEE JTEHM），第1卷。8，Art No。 1400510，Jun。 2020。 doi：10.1109/jtehm.2020.3002384。 33，否。 47，jun。8，Art No。1400510，Jun。 2020。 doi：10.1109/jtehm.2020.3002384。 33，否。 47，jun。1400510，Jun。2020。doi：10.1109/jtehm.2020.3002384。33，否。47，jun。[6] Geng Yang*，Honghao LV，Zhiyu Zhang，Liu Yang，Siqi You，Juan du，Huayong Yang，“保持医疗保健工人的安全：在隔离病房中应用远离的机器人在COVID-19预防和控制的隔离病房的应用”中国机械工程学杂志”2020。doi：10.1186/s10033-020-00464-0。（第一作者是我的主管，2020年，引用了高度引用的CJME文章Top1，2022年的杰出论文，第七届中国科协优秀科技论文）[7] Ruohan Wang†，Honghao LV†，Zhangli Lu，Zhangli Lu，Xiaoyan Huang，Haiteng Wu，Haiteng Wu，Haijie wu，Junjie Xiong yang yang yang yand a Medical
基于数字图像技术的鸡蛋新鲜度检测
科学研究与论文 第 4 卷（10），页。1073-1079，2009 年 10 月 可在线访问 http://www.academicjournals.org/sre ISSN 1992-2248 © 2009 学术期刊全文研究论文 基于数字图像技术的鸡蛋新鲜度检测 王巧华 1、邓晓燕 2、任逸林 1、丁友春 1、熊丽荣 1、周平 3、温优贤 1、王树才 1 * 1 华中农业大学工程技术学院，武汉，430070，P.R.中国。2 华中农业大学基础科学学院，武汉，430070，P.R.中国。3 国家农业信息化工程技术研究中心，北京，100085，P.R.中国。2009年8月6日接受 蛋黄指数和气室高度是鸡蛋新鲜度检测的两个主要指标，在实际应用中很难准确测量。本文研究了一种基于图像的鸡蛋新鲜度检测方法。利用计算机视觉装置获取鸡蛋的透视图像。通过图像处理从获取的鸡蛋图片中分离出特征区域，包括蛋黄区域和气室区域。分别计算并分析上述特征区域的像素面积和长度。选取特征区域像素面积和长度与整个鸡蛋区域像素面积和长度的相对比值作为特征参数。详细分析表明，随着鸡蛋新鲜度的降低，上述相对比率增大。根据特征参数与新鲜度的相关性，建立了3种鸡蛋新鲜度检测模型。测试结果表明，这3种模型的准确率分别为93%、94%和92%。基于蛋黄和气室图像特征的鸡蛋新鲜度检测是高效可行的。关键词：蛋黄，气室，新鲜度，数字图像，计算机视觉。引言 鸡蛋新鲜度检测是食品安全研究中一个有趣而重要的课题，主要是因为鸡蛋与普通人的日常生活密切相关，并且鸡蛋成分在储存过程中很容易发生变化。近十年来，许多研究都集中在鸡蛋新鲜度检测上。鸡蛋内容物主要由蛋黄、蛋白和气室组成。蛋黄和蛋白之间有一层蛋黄膜。随着贮存时间的延长，蛋白中的水分逐渐从蛋壳孔隙中蒸发掉。 *通讯作者。电话：+86-027-87285346。邮箱：wsc01@mail.hzau.edu.cn。传真：+86-027-87285346。
对抗抑郁药的无反应的全基因组荟萃分析鉴定出新的基因座和潜在药物Elise Koch（PhD）1，*，TuuliJürgenson（PHD）2
对抗抑郁药的无反应的全基因组荟萃分析鉴定了新的基因座和潜在药物Elise Koch（PhD）1，*，TuuliJürgenson（PhD）2，GuðmundurEinarsson（Phd）3 , Kristi Krebs (PhD) 2 , Yuhao Lin (BSc) 7 , Ying Xiong (MSc) 5 , Estonian Biobank Research Team 8,# , Yi Lu (PhD) 5 , Sara Hägg (PhD) 5 , Miguel E. Rentería (PhD) 4 , Sarah E. Medland (PhD) 4 , Naomi R. Wray (PhD) 4 , Nicholas G. Martin (PhD) 4 ，克里斯托弗·胡贝尔（MD，博士）7,9，Gerome Breen（博士学位）7，Thorgeir Thorgeirsson（博士学位）3，HreinnStefánsson（博士学位）3，KáriStefánsson（KáriStefánsson）（MD，MD，MD，PhD）3,10 Lili Milani（PhD） Kevin S. O'Connell（PhD）1，* 1。精神病学精神病学中心，奥斯陆大学医院心理健康与成瘾司和挪威奥斯陆奥斯陆大学临床医学研究所。2。爱沙尼亚基因组中心，基因组学研究所，塔尔图大学，爱沙尼亚。3。冰岛雷克雅未克的遗传学/安尔根。4。大脑与心理健康计划，QIMR Berghofer医学研究所，澳大利亚昆士兰州布里斯班5。医学流行病学和生物统计学系，瑞典Karolinska Institutet 6。生物医学科学学院，昆士兰州大学医学院，澳大利亚昆士兰州布里斯班大学7。精神病学研究所，心理学与神经科学研究所；社会，遗传和发展精神病学中心；伦敦国王学院，英国伦敦。8。爱沙尼亚基因组中心，基因组学研究所，塔尔图大学，爱沙尼亚。9。10。12。国家基于登记册的研究中心，AARHUS商业与社会科学，丹麦AARHUS的AARHUS大学。冰岛冰岛大学卫生科学学院医学院，冰岛雷克雅未克11. 遗传学和个性化医学诊所，塔尔图大学医院，爱沙尼亚。 kg杰布森神经发育障碍中心，奥斯陆大学和奥斯陆大学医院，奥斯陆，挪威 *相应的作者：Elise Koch（E.M.Koch@medisin.uio.no）或Ole.andreassen（Ole.andreassen@medisin.uio.no）或Keconn.uio.no） （K.S.oconnell@medisin.uio.no）Kirkeveien 166，0450 OSLO，挪威冰岛冰岛大学卫生科学学院医学院，冰岛雷克雅未克11.遗传学和个性化医学诊所，塔尔图大学医院，爱沙尼亚。 kg杰布森神经发育障碍中心，奥斯陆大学和奥斯陆大学医院，奥斯陆，挪威 *相应的作者：Elise Koch（E.M.Koch@medisin.uio.no）或Ole.andreassen（Ole.andreassen@medisin.uio.no）或Keconn.uio.no） （K.S.oconnell@medisin.uio.no）Kirkeveien 166，0450 OSLO，挪威遗传学和个性化医学诊所，塔尔图大学医院，爱沙尼亚。kg杰布森神经发育障碍中心，奥斯陆大学和奥斯陆大学医院，奥斯陆，挪威 *相应的作者：Elise Koch（E.M.Koch@medisin.uio.no）或Ole.andreassen（Ole.andreassen@medisin.uio.no）或Keconn.uio.no） （K.S.oconnell@medisin.uio.no）Kirkeveien 166，0450 OSLO，挪威
基于CRISPR/Cas9 的激活系统研究进展
816–821。[11] Lowder L，Malzahn A，Qi YP. Rapid evolution of manifold CRISPR systems for plant gene editing. Front Plant Sci, 2016, 7: 1683。[12] Maeder ML，Linder SJ，Cascio VM，等。CRISPR RNA引导的内源性人类基因激活。Nat Methods, 2013, 10(10): 977-979。[13] Lindhout BI，Pinas JE，Hooykaas PJJ，等。利用锌指人工转录因子文库筛选拟南芥同源重组突变体。Plant J, 2006, 48(3): 475-483。[14] Liu WS，Rudis MR，Peng YH，等。合成TAL效应物用于靶向增强植物转基因表达。Plant Biotechnol J，2014，12(4):436-446。[15] Qi LS、Larson MH、Gilbert LA等。将CRISPR重新用作RNA引导平台，用于序列特异性控制基因表达。Cell，2013，152(5):1173-1183。[16] Chylinski K、Le Rhun A、Charpentier E。II型CRISPR-Cas免疫系统的tracrRNA和Cas9家族。RNA Biol，2013，10(5):726-737。[17] Nishimasu H、Cong L、Yan WX等。金黄色葡萄球菌Cas9的晶体结构。Cell，2015，162(5):1113-1126。 [18] Jinek M, Jiang FG, Taylor DW 等. Structures of Cas9 endonucleases reveal RNA-mediated configuration activity. Science, 2014, 343(6176): 1247997。[19] Anders C, Niewoehner O, Duerst A 等. Structural basis of PAM-dependent target DNA identification by the Cas9 endonuclease. Nature, 2014, 513(7519): 569-573。[20] Wang Y, Zhang ZT, Seo SO 等. Gene transcription repression in Clostridium beijerinckii using CRISPR-dCas9. Biotechnol Bioeng, 2016, 113(12): 2739-2743。[21] Bikard D, Jiang WY, Samai P 等.利用工程化的 CRISPR-Cas 系统可编程地抑制和激活细菌基因表达。Nucleic Acids Res，2013，41(15)：7429-7437。[22] Didovyk A、Borek B、Tsimring L 等人。利用 CRISPR-Cas9 进行转录调控：原理、进展和应用。Curr Opin Biotechnol，2016，40：177-184。[23] Li ZX、Xiong XY、Li JF。工作死物：将失活的 CRISPR 相关核酸酶重新用作植物中的可编程转录调节剂。aBIOTECH，2020，1(1)：32-40。[24] Piatek A、Ali Z、Baazim H 等人。RNA 引导的
cert1突变通过破坏鞘脂稳态
夏洛特·盖因（Charlotte Gehin），1 A.Stegmann, 7 Observatory, 8 Eva Bermejo-Sánchez, 8 Beatriz Martin-Delgado, 8 Christians Zweier, 9.10 Cornelia Kraus, 14,15 Eppie R. Jones, 16 Stefano Zamuner, 17 Luciano Abriata, 18 Marine Van Campenhoudt, 22 Samuel Bourgeony, 22 What is Henklein, 23 Christian Gilissen, Soli，29 Alessandra Murgia，28 Hui Guo，30 Quomeng Zhang，30 Cun Xia，Blyth，Blyth，37，41 Valerie Wilson，42 Resque Oeema，43 Yvan Herenger，44Maddoks，48 Genifier M. Bain，Varunvenkat M. Srinavasan，54 Yask Gupta，55 Tze Y. Lim，22 Paolo de Los Rios，1,17 Thornemann，1,17
已接受稿件未经编辑
不同保真度之间的个体损失。他们展示了这些改进对几个基本多尺度材料建模挑战的影响，包括二维传热、相变和枝晶生长问题。在这些问题上，与没有此类约束的网络相比，所提出的多保真度、基于物理的约束将预测误差降低了一个数量级。这实现了与底层方程的直接数值解相当的精度。Sarkar 等人在题为“高维工程设计和校准的多保真度和多尺度贝叶斯框架”的论文中，提出了一种用于优化的多保真度建模和信息论顺序采样策略。该方法基于通过高斯过程对各种保真度信息源进行建模，并辅以有效的主动学习策略，这些策略涉及在多尺度架构中顺序选择最佳点。该策略通过压缩机转子的设计优化和微结构预测模型的校准来演示。在题为“工程设计深度强化学习案例研究：应用于流动雕刻微流体设备”的论文中，Lee 等人。通过克服基于进化优化的方法的一些关键弱点（即样本效率低和优化收敛速度慢），解决了如何设计微流体流动雕刻设备。本文将深度强化学习 (DRL) 技术应用于流体雕刻任务，并研究了迁移学习在加速目标流形设计方面的有效性。本文表明，与同类 GA 模型相比，DRL 能够使用明显更少的雕刻支柱来匹配 90% 的目标流形，并提供了一种解释学习模型的方法（使用主成分），而现有的流体雕刻方法无法提供这种解释。Lynch 等人在他们的论文《机器学习辅助拓扑优化数值参数调整》中，提出了一个基于 ML 的元学习框架来确定拓扑优化中的调整参数。这些参数是从过去进行的类似优化问题中学习到的，并根据当前的问题进行调整。这有助于避免手动参数调整中代价高昂的反复试验。在论文《数据驱动的设计空间探索和利用增材制造设计》中，Xiong 等人。提出了一种数据驱动的方法，用于在设计过程的连续阶段进行设计搜索和优化。他们在具体设计阶段使用贝叶斯网络分类器，在详细设计阶段使用高斯过程回归。通过定制踝关节支架的设计说明了该方法。Odonkor 和 Lewis 将数据驱动设计应用于复杂系统（特别是分布式能源资源）的运营策略设计。这篇论文的标题是“分布式能源系统控制策略的数据驱动设计”。最大化套利价值的问题被表述为优化问题，并使用重新解决
引用Ahmadpour Y，Bahrami G，Arkan E，Abbaszadeh F，Aghaz F，Fakhri S和EcheverríaJ（2025）揭示了Rosa Canina Canina少量糖
脊髓损伤（SCI）是一项巨大的公共卫生挑战，全世界数百万个人，通常导致令人衰弱的感觉运动障碍，这显着损害了生活质量。SCI的复杂性是多方面的，不仅涉及对脊髓的直接物理创伤，而且还涉及一系列生物反应的级联，这些反应会使损伤永存并抑制恢复（Cardile等，2024）。在与SCI病理生理学有关的各种生物学机制中，氧化应激，其特征在于活性氧（ROS）产生和抗氧化剂防御之间存在不平衡，已成为加剧神经损害和阻碍恢复的关键因素（Jia等人，2012; disavadiya et al an al and and and and and and and and and and and and and and and and and and and and an al an al an al an al an al an al an al al an al an al an al an al al an al an al an al an al visavadiya等。一氧化氮（NO）是在氧化应激过程中产生的重要反应性氮种（Ozcan和Ogun，2015）。SCI之后，NO的产生增加，这有助于血管舒张。然而，这也没有硝基化的鼻型途径，导致过氧亚硝酸盐的形成，以及各种细胞信号通讯，以及对神经元，脂质和DNA的氧化损伤，这可能会进一步加剧神经元损害（Conti等，2007，2007; Xiong et al。谷胱甘肽（GSH）是清除ROS的关键非酶促抗氧化剂，有助于维持氧化还原平衡。它以两种形式存在：减少（GSH）和氧化（GSSG）。另一方面，过氧化氢酶是一种将过氧化氢（H 2 O 2）催化为水和氧的酶。我们以前已经表征了上述该反应对于缓解氧化应激至关重要（Brunelli等，2001;Vašková等，2023）。SCI后，多余的ROS会耗尽GSH和压倒性过氧化氢酶，从而导致氧化应激增加（Jia等，2012）。当前的SCI治疗选择是有限的，尽管手术技术和康复疗法的进步，但缺乏有效和FDA批准的药理学干预措施仍然是一个紧迫的挑战。现有的药物治疗通常与不良的副作用有关，这强调了迫切需要创新的治疗策略（Cristante等，2012）。一个有希望的研究领域的重点是使用以神经保护特性而闻名的天然化合物。Rosa Canina L. [R. canina）（R. canina），也称为狗玫瑰，是丰富的生物活性化合物来源，包括寡糖，这些化合物以其抗氧化剂和抗渗透性效应而闻名（Taneva等，2016）。最近的研究表明，源自各种植物来源的寡糖在调节氧化应激和促进神经元健康方面起着至关重要的作用（Vieira等，2020; Kang等，2022）。鉴于氧化应激在SCI进展中的作用，canina犬寡糖作为潜在的治疗剂的探索似乎是有效的。
已接受稿件未经编辑
不同保真度之间的个体损失。他们展示了这些改进对几个基本的多尺度材料建模挑战的影响，包括二维传热、相变和枝晶生长问题。在这些问题上，与没有此类约束的网络相比，所提出的多保真度、基于物理的约束将预测误差降低了一个数量级。这实现了与底层方程的直接数值解相当的精度。Sarkar 等人在题为“高维工程设计和校准的多保真度和多尺度贝叶斯框架”的论文中提出了一种用于优化的多保真度建模和信息论顺序采样策略。该方法基于通过高斯过程对各种保真度信息源进行建模，并增强了有效的主动学习策略，该策略涉及在多尺度架构中顺序选择最佳点。该策略通过压缩机转子的设计和微结构预测模型的校准得到了演示。在题为《深度强化学习在工程设计中的案例研究：在流动雕刻微流体装置中的应用》的论文中，Lee 等人讨论了如何通过克服基于进化优化的方法的一些关键弱点（即样本效率差和优化收敛速度慢）来设计微流体流动雕刻装置。本文将深度强化学习 (DRL) 技术应用于流动雕刻任务，并研究了迁移学习在加速目标流形设计方面的有效性。本文证明，DRL 能够使用比同类 GA 模型少得多的雕刻柱来匹配 90% 的目标流形，并且提供了一种解释学习模型的方法（使用主成分），而现有的流体雕刻方法并不提供这种方法。 Lynch 等人在其论文《机器学习辅助拓扑优化中的数值参数调整》中提出了一种基于 ML 的元学习框架来确定拓扑优化中的调整参数。这些参数是从过去进行的类似优化问题中学习到的，并根据当前的问题进行调整。这有助于避免手动参数调整中代价高昂的反复试验。在论文《数据驱动的设计空间探索和利用增材制造设计》中，Xiong 等人提出了一种数据驱动的方法，用于设计过程的连续阶段的设计搜索和优化。他们在具体设计阶段使用贝叶斯网络分类器，在详细设计阶段使用高斯过程回归。该方法通过定制踝关节支架的设计进行了说明。Odonkor 和 Lewis 将数据驱动设计应用于复杂系统的操作策略设计，特别是分布式能源资源。这篇论文的标题是“分布式能源系统控制策略的数据驱动设计”。最大化套利价值的问题被表述为一个优化问题，并使用重新求解
CERT1 突变通过破坏鞘脂稳态来扰乱人类发育
Charlotte Gehin, 1 Museer A. Lone, 2 Winston Lee, 3,4 Laura Capolupo, 1 Sylvia Ho, 1 Adekemi M. Adeyemi, 5 Erica H. Gerkes, 6 Alexander PA Stegmann, 7 Estrella López-Martín, 8 Eva Bermejo-Sánchez, 8 Martínez, Martínez, Dzierz , 9,10 Cornelia Kraus, 9 Bernt Popp, 11,12 Vincent Strehlow, 11 Daniel Gräfe, 13 Ina Knerr, 14,15 Eppie R. Jones, 16 Stefano Zamuner, 17 Luciano A. Abriata, 18 Vidya Kunnathully, 1 19 Anthony Eller, Samuel Anthony, 1. 21 Jean-Philippe Bocquete, 21 Evelyne Ruchti, 22 Greta Limoni, 22 Marine Van Campenhoudt, 22 Samuel Bourgeat, 22 Petra Henklein, 23 Christian Gilissen, 24,25 Bregje W. van Bon, 24 Rolph Pfundt, 25 Landa, 24 Jole, H. H. Schemjole. 26 Emanuela Leonardi, 27,28 Fiorenza Soli, 29 Alessandra Murgia, 28 Hui Guo, 30 Qiumeng Zhang, 30 Kun Xia, 30 Christina R. Fagerberg, 31 Christoph P. Beier, 31 Martin J. Larsen, 31 Irene Xienzu, 32 Fernando Valyinda , 33 Robert Śmigiel, 34 Vanesa López-González, 35 Lluís Armengol, 36 Manuela Morleo, 37,38 Angelo Selicorni, 39 Annalaura Torella, 37,38 Moira Blyth, 40 Nicola S. Cooper, 41 Vare Wilson, 44, 434 ore Garde, 45,46 Ange-Line Bruel, 46,47 Frederic Tran Mau-Them, 46,47 Alexis BR Maddocks, 48 Jennifer M. Bain, 49 Musadiq A. Bhat, 50 Gregory Costain, 51 Peter Kannu, 52 Ashish Marwaha, 51 Michael E. E. Friegne, 35 B. Richardson, 53 Vykuntaraju K. Gowda, 54 Varunvenkat M. Srinivasan, 54 Yask Gupta, 55 Tze Y. Lim, 55 Simone Sanna-Cherchi, 55 Bruno Lemaitre, 21 Toshiyuki Yamaji, 56 Kentaro Hanada, 56 John E. Burke, 2017, Ana Briš , D. McCa . abe, 22 Paolo De Los Rios, 1,17 Thorsten Hornemann, 2 Giovanni D'Angelo, 1,19,21 and Vincenzo A. Gennarino 3,58,59,60,61
MICCAI 2024 计划一览
论文 ID 标题/作者 指定会议 6 时空对比网络用于冠状动脉 CT 血管造影中冠状动脉疾病的数据高效学习 马兴华，邹明业，方欣燕，刘洋，罗恭宁，王伟，王宽泉，邱兆文，高鑫，李硕 海报 5 14 TP-DRSeg：通过显式文本提示辅助 SAM 改善糖尿病视网膜病变病变分割 李文学，熊新宇，夏鹏，鞠烈，葛宗元 海报 4 26 用于外科三联体识别的尾部增强表征学习 桂双春，王振坤 海报 1 40 MH-pFLGB：通过全局旁路模型进行医学图像分析的异构个性化联邦学习 谢璐媛，林曼青，徐晨明，栾天宇，曾志鹏，文俊Chen, Cong Li, Yuejian Fang, Qingni Shen,zhonghai Wu 海报 2 50 FM-ABS：即时基础模型驱动 3D 医学图像分割的主动无监督学习 Zhe Xu, Cheng Chen, Donghuan Lu, Jinghan Sun, Dong Wei, Yefeng Cheng, Quanzheng Li, Raymond Kai-yu Tong 海报 1 53 心脏副驾驶：使用世界模型自动引导超声心动图蒋浩军、孙振国、贾宁、李萌、孙宇、罗沙琪、宋世吉、黄高海报 2 65 拥抱海量医疗数据 周宇成、周宗伟、Alan Yuille 海报 1 67 掩蔽缺失：不完整多模态脑肿瘤分割的任意跨模态特征重建 曾志林、彭泽林、杨小康、沉伟海报 4 73 迈向直肠内超声视频中结直肠癌分割的基准：数据集和模型开发 Yun Cheng Jiang、Yiwen Hu、Zixun 张、Jun Wei、Chun-Mei Feng、Xuemei Tang、Xiang Wan、Yong Liu、Shuguang Cui、Zhen Li 海报 5 74 UinTSeg：统一婴儿脑组织分割与解剖描绘 Jiameng Liu、Feihong Liu、Kaicong Sun、Yuhang Sun、 Jiawei Huang, Caiwen Jiang, Islem Rekik, Dinggang Shen 海报 2 77 XCoOp：通过概念引导上下文优化实现计算机辅助诊断的可解释即时学习 Yequan Bie, Luyang Luo,zhixuan Chen,hao Chen 海报 5 78 DiffExplainer：通过反事实生成揭开黑盒模型 Yingying Fang, Shuang Wu, Zihao Jin, Shiyi Wang, Caiwen Xu, Simon沃尔什·光阳海报 5