XiaoMi-AI文件搜索系统
World File Search Systemclouds
郁金香：用于提高LIDAR点云的变压器
LIDAR UPSMPLING对于机器人和自动驾驶汽车的启示系统来说是一项艰巨的任务，这是由于大型场景的稀疏结构稀疏和不规则的结构。最近的作品建议通过将LIDAR数据从3D欧几里得空间传播到2D图像空间中的一个超级分辨率问题来解决此问题。尽管他们的方法可以生成具有细粒细节的高分辨率范围图像，但由此产生的3D点云是10个模糊细节并预测无效的点。在此pa-per中，我们提出了郁金香，这是一种从低分辨率激光雷达输入中重建高分辨率激光圈云的新方法。我们还遵循一种基于图像的方法，但特定地修改了基于Swin-Transformer网络的贴片和窗口几何形状，以更好地拟合范围图像的特性。我们在三个公共现实世界和模拟数据集上进行了几项实验。郁金香在所有相关指标中都优于最先进的方法，并且比以前的工作生成了强大，更现实的点云。该代码可在https：//github.com/ethz-asl/tulip.git上找到。
I2P注册通过学习从像素到点相似性的基本对齐特征空间
摘要 - 对于自动地面车辆，带有3D激光雷达的全球定位是导航等任务中必不可少的一部分。通常，使用LIDAR的全球定位细分为两个子问题，即位置识别和全球注册。为了获得位置识别，基于深度学习的最新新兴方案要么依赖于具有高复杂性的3D卷积，要么需要从各种前瞻性角度学习特征。为此，我们提出了一个具有滚动式yaw不变性的模型，该模型代表点云为概率的体素，并从鸟眼的视图中产生占用网格，从而通过从固定的角度学习聚集的嵌入来实现稳健的位置识别。对于低重叠的全球注册，基于传统的手工艺特征的方法主要限于密集的对象级别云，而基于最新的学习方法通常依赖于复杂的3D卷积和其他功能关联学习。为了在一定程度上填补这一空白，我们建议通过拟合和对齐点云的接地平面来估计相对滚动角度和垂直翻译，并通过匹配其预计的占用率网格来确定水平翻译和偏航角。广泛的实验证实了我们位置识别模型的出色召回和概括能力，以及我们3D注册方法的高级成功率和准确性。尤其是在认识和注册硬样品时，我们的结果远远超过了我们的结果。为了确保完整的可重复性，相关代码和数据可在https://cslinzhang.github.io/gloc/gloc/gloc.html上在线提供。
使用自动驾驶汽车的规格符合符合性的可及性分析，使用磁性模型检查
本文提出了一种新的方法，用于从密集的点云数据中自动为曼哈顿环境中的建筑物创建语义数字模型。与以前仅依赖于数据驱动方法的方法不同，我们的方法将人工智能与域工程知识集成在一起，以在复杂的布局中克服室内点云处理和几何形式表示中的chal lenges。基于功能的DE Cision树分类器提取了主要建筑元素，该元素用于3D空间解析的基于知识的算法中。在此基础上，优化过程生成参数化的平面图，用于最终创建体积数字模型。该方法在慕尼黑技术大学和斯坦福大学的数据集上进行了验证，用于模型放置的平均准确性约为0.08 m，用于估计元素参数的0.06 m，这突出了其产生建筑物语义数字模型的有效性。这种方法强调了AI集成在数字孪生工作流程中的潜力，以提供更多的自动交配解决方案。
3D-QAE：3D 点云的全量子自动编码
现有的学习 3D 表示的方法是在经典硬件上训练和测试的深度神经网络。尽管理论上预测了量子机器学习架构在速度和表示容量方面的优势，但迄今为止，它还没有被考虑用于这个问题，也没有被考虑用于一般涉及 3D 数据的任务。因此，本文介绍了第一个用于 3D 点云的量子自动编码器。我们的 3D-QAE 方法是完全量子的，即其所有数据处理组件都是为量子硬件设计的。它在 3D 点云集合上进行训练以生成它们的压缩表示。除了找到合适的架构之外，设计这种完全量子模型的核心挑战还包括 3D 数据规范化和参数优化，我们为这两个任务提出了解决方案。在基于模拟门的量子硬件上的实验表明，我们的方法优于简单的经典基线，为 3D 计算机视觉的新研究方向铺平了道路。源代码可在 https://4dqv.mpi-inf.mpg.de/QAE3D/ 获得。
模拟深云中的二级冰生产
摘要：已经提出了多种机制来解释次级冰的产生（SIP），并且已经认可SIP在形成云冰晶体中起着至关重要的作用。但是，大多数天气和气候模型都不考虑其云微物理方案中的SIP。在这项研究中，除了默认的rime分裂（RS）过程外，将超冷的雨/细雨滴（DS）和冰上的分解 - 冰碰撞 - 冰碰撞（BR）的两种SIP过程，即粉碎/碎片化。此外，还引入了两个不同的参数化方案。进行了一系列的灵敏度实验，以研究在欧洲中部开发的基于温暖的深对流云中，SIP如何影响云微物理学和云相位分布。仿真结果表明，云微物理特性受到SIP过程的显着影响。冰晶数浓度（ICNC）增加了20倍以上，并且考虑到SIP过程，表面沉淀降低了20％。有趣的是，发现BR占主导地位，并且BR过程速率分别大于RS和DS过程速率，分别为四个和三个数量级。在实现所有三个SIP过程时，云中的液体像素数馏分在云层内部和云顶部下降，但降低取决于BR方案。模拟深度对流云中冰的增强面（IEF）的峰值为10 2-10 4，并在2 24 8 c处位于所有三个SIP过程，而IEF的温度依赖性对BR方案敏感。但是，如果仅包括RS或RS和DS操作，则IEF是可比的，峰值为6个，位于2 7 8 C，此外，关闭CASCADE效应导致ICNC和冰晶体混合率显着降低。
非刚性场景从点云流动，并带有自我感动...
[dbscan] Ester等。：“一种基于密度的算法，用于在具有噪声的大空间数据库中发现簇”。：KDD，1996年。[DGCNN] Wang等。：“用于在点云上学习的动态图CNN”。in ：（ tog），2019年。[Kabsch] W. Kabsch：“解决两组向量的最佳旋转解决方案”。in：晶体物理学，衍射，理论和一般晶体学，1976年。[Hregnet] Lu等。：“ Hregnet：用于大规模室外激光点云注册的分层网络”。in：（iccv），2021。[Randla-net] Hu等。：“ randla-net：大规模点云的有效语义分割”。in：（cvpr），2020。[Stereokitti] Menze等。：“自动驾驶汽车的对象场景流”。in：（cvpr），2015年。[Lidarkitti] Geiger等。：“我们准备好进行自动驾驶了吗？Kitti Vision基准套件”。in：（cvpr），2012年。[Semkitti] Behley等。：“ Semantickitti：用于LIDAR序列的语义场景的数据集”。in：（ICCV），2019年。[FT3DS] Mayer等。：“一个大型数据集来训练卷积网络以差异，光流和场景流量估计”。in：（cvpr），2016年。[pointpwc-net] Wu等。：“ PointPWC-NET：（自我监督场景流估计）点云上的成本量”。在：（ECCV），2020年。[FlowStep3d] Kittenplon等。：“ FlowStep3d：自我监督场景流估计的模型展开”。in：（cvpr），2021。[RMS-FLOWNET] Battrawy等。：“ RMS-FLOWNET：大规模点云的高效且稳健的多尺度场景流程估计”。in：（icra），2022。[WM3D] Wang等。：“对于3D场景流网络重要的东西”。in：（ECCV），2022。[Bi-Pointflownet] W. Cheng和J. Hwan Ko：“基于点云的场景流估计的双向学习”。in：（ECCV），2022。[Chodosh等人]Chodosh等。：“重新评估激光雷达场景以进行自动驾驶”。in：arxiv，2023。[WSLR] Gojcic等人。：“严格3D场景流的弱监督学习”。in：（cvpr），2021。[ERC] Dong等。 ：“利用震子场景流量估计的刚性约束”。 in：（cvpr），2022。[ERC] Dong等。：“利用震子场景流量估计的刚性约束”。in：（cvpr），2022。
关于汽车雷达点云的数据压缩技术的调查
摘要：在自主驾驶技术不断发展的景观中，光检测和范围（LIDAR）传感器已成为增强环境感知的关键仪器。他们可以在车辆周围提供精确的，高分辨率的实时3D表示，以及在弱光条件下进行远程测量的能力。但是，这些优势是以传感器生成的大量数据为代价的，导致了传输，处理和存储操作的几个挑战，目前可以通过对点云中使用数据压缩技术来减轻这些挑战。本文介绍了用于压缩汽车LIDAR传感器的点云数据的现有方法的调查。它提出了一种全面的分类法，将这些方法分为四个主要群体，并在几个重要指标中进行比较和讨论。
星云：深空计算云的拟议操作概念
成功。然而，我们从仪器收集观测数据的能力和将这些观测数据传回地球的能力之间存在着根本的不平衡。下行链路带宽受 1 r 2 关系支配，随着航天器进一步向太阳系外移动，下行链路带宽会迅速减少，但仪器能力却不会下降。这是太空探索的第二个专制方程，仅次于著名的火箭方程，也是太阳系科学发现的长期问题：我们身处地球，我们需要有关“外面”的情况的数据，以便为我们的仪器定位提供信息，设计我们的任务目标，并总体上做出我们的发现。尽管有其他因素，但这种数据密集型过程导致对外行星和海洋世界的任务节奏较低，并且由于每年的数据回报低于地球、月球或火星任务等而加剧了这种情况。
乌云散去：2025 年将迎来清风
由于中国和欧洲经济停滞不前，全球经济增长放缓。正如国际货币基金组织所说，2024 年全球经济增长令人失望。截至 2024 年 10 月，预计 2024 年和 2025 年世界经济将增长 3.2%。两者均略低于 2023 年的 3.3%。经济放缓是由于世界经济的区域动态造成的。美国经济表现超出预期，经济增长率约为 1.5%-3%。相比之下，欧洲的情况则有所不同，高能源价格导致德国快速去工业化，拖累该地区经济表现同比下降 0.4%-0.9%。最大的罪魁祸首是中国，其每个季度的 GDP 增长率从 2024 年第一季度的 5.3% 下降到 2024 年第三季度的 4.6%。因此，由于中国和欧盟经济增长放缓，美国经济的强劲表现也受到了拖累。