XiaoMi-AI文件搜索系统
World File Search Systemdenoising
摄影测量 DSM 去噪
a 3D 光学计量（3DOM）部门，布鲁诺凯斯勒基金会（FBK），Via Sommarive 18，38123，特伦托，意大利 franex@fbk.eu，http://3dom.fbk.eu b 特温特大学，地理信息科学与地球观测学院（ITC），地球观测科学系，P.O.Box 217，7500AE Enschede，荷兰 m.gerke@utwente.nl 第三委员会 - WG 1 关键词：图像匹配、DSM、马尔可夫随机场、图切割、平滑 摘要：如今，图像匹配技术可以提供非常密集的点云，它们通常被认为是 LiDAR 点云的有效替代方案。然而，与 LiDAR 数据相比，摄影测量点云通常具有更高水平的随机噪声和存在较大异常值的特点。这些问题限制了摄影测量数据在许多应用中的实际使用，但仍需找到增强生成点云的有效方法。在本文中，我们专注于从密集图像匹配点云计算出的数字表面模型 (DSM) 的恢复。摄影测量 DSM，即表面的 2.5D 表示，仍然是从点云派生的主要产品之一。提出了四种专门用于 DSM 去噪的不同算法：标准中值滤波方法、双边滤波、变分方法（TGV：总广义变分），以及一种新开发的算法，该算法嵌入马尔可夫随机场 (MRF) 框架并通过图计算进行优化
剥离扩散概率模型
我们使用扩散概率模型表示高质量的图像合成结果，这是一种受非平衡热力学考虑因素启发的潜在变量模型。我们的最佳结果是通过根据扩散概率模型与Langevin Dynamics匹配的扩散概率模型和降级分数之间的新联系而设计的，我们的模型可以解释为一种渐进的损失减压方案，该方案可以解释为自动性解码的普遍化。在无条件的CIFAR10数据集中，我们获得的成立分数为9.46，最先进的FID得分为3.17。在256x256 LSUN上，我们获得了类似于Progenkivegan的样品质量。我们的提示可在https://github.com/hojonathanho/diffusion上获得。
denoising的广义特征组成的教程...
本文的目的是对广义特征组成（GED）提出理论和实用的介绍，这是用于降低尺寸和源源分离多通道信号处理中的强大而灵活的框架。在认知电生理学中，GED用于创建空间过滤器，以最大程度地提高研究人员规定的对比。例如，人们可能希望利用一个不同的来源具有不同的频率含量，或者来源在实验条件下的大小变化。GED快速易于计算，在模拟和真实数据中表现良好，并且易于适应各种特定的研究目标。本文以一种将GED联系在一起的方式介绍了GED，该方式将GED在电生理学中的众多个人出版物和应用联系在一起，并提供了可以测试和调整的样品MATLAB和PYTHON代码。在应用中经常出现的实际考虑和问题。
降级扩散模型的替代视图
- （慢）收敛（例如，参见Bakry等，2008） - 快速的对数圆形分布的快速（例如，F convex）（Dalalyan，2017年，Durmus和Moulines，2017年，2017年，Chewi，Chewi，2022等）
基于3D denoising扩散概率模型的PET图像Denoising：总体数据集的评估
摘要。由于各种物理降解因子和检测到的少量计数，从低剂量正电子发射断层扫描（PET）扫描中获得了高质量的图像是具有挑战性的。基于高级分布学习的生成模型（一种基于高级分布学习的生成模型）的转化扩散概率模型（DDPM）显示了各种计算机视觉任务的有希望的性能。但是，目前DDPM主要以2D模式进行研究，该模式的限制是pet图像denoising的局限性，因为通常以3D模式获取，重建和分析PET。在这项工作中，我们提出了一种用于PET Image DeNoising的3D DDPM方法，该方法采用3D卷积网络来训练得分函数，并启动网络学习3D分布。使用从西门子传记视觉Quadra扫描仪（轴向视野> 1m）获取的总体体18 F -FDG PET数据集来评估3D DDPM方法，因为这些总体数据集需要的3D操作最多可从不同的轴向液体中利用丰富的信息。所有模型均在1/20低剂量图像上训练，然后在1/4、1/20和1/50低剂量图像上进行评估。实验结果表明，在定性和定量评估中，3D DDPM明显优于2D DDPM和3D UNET，能够从低质量PET图像中恢复更精细的结构和更准确的边缘轮廓。此外，当训练和测试数据之间存在噪声水平不匹配时，3D DDPM显示出更大的鲁棒性。最后，就不确定性而言，将3D DDPM与2D DDPM进行比较，发现3D DDPM对可重复性的信心更高。
使用机器学习进行量子图像去噪
量子图像处理 (QIP) 是一个旨在利用量子计算的优势来处理和分析图像的领域。然而，QIP 面临两个挑战：量子比特的限制和量子机器中噪声的存在。在本研究中，我们提出了一种新方法来解决 QIP 中的噪声问题。通过训练和使用机器学习模型来识别和校正量子处理图像中的噪声，我们可以补偿机器引起的噪声并以更高的效率检索类似于传统计算机执行的处理结果。该模型通过学习由现有处理图像和来自开放获取数据集的量子处理图像组成的数据集进行训练。该模型将能够为我们提供每个像素的置信度及其潜在的原始值。为了评估模型在补偿 QIP 中的损失和退相干方面的准确性，我们使用三个指标对其进行评估：峰值信噪比 (PSNR)、结构相似性指数 (SSIM) 和平均意见分数 (MOS)。此外，我们还讨论了我们的模型在各个领域的适用性以及与其他方法相比的成本效益。
图像denoising和光子的生成积累
我们对射击噪声损坏的图像和删除噪声的镜头提出了新的视角。通过将图像形成视为光子在检测器网格上的顺序积累，我们表明，经过训练的网络可以预测下一个光子可能到达的位置，实际上可以解决最小均方形误差（MMSE）denoising任务。这种新观点使我们能够做出三个贡献：i。我们提出了一种新的策略，用于自我监督的denoisis，ii。我们提出了一种通过迭代采样并将少量光子添加到图像中的溶液后部采样的新方法。iii。我们通过从空画布启动此过程来得出一个完整的生成模型。我们称这种方法的生成积累（GAP）。我们在4个新的荧光显微镜数据集上进行定量和定性评估我们的方法，该数据将可供社区提供。我们发现它的表现优于其基准或在PAR上执行。
多条件的denoising扩散概率模型（...
摘要 - 医学成像应用在人体解剖学，病理学和成像领域方面高度专业。因此，用于培训医学成像中深度学习应用的注释培训数据集不仅需要高度准确，而且还需要多样化，并且足够大，以涵盖与这些规格有关的大多数合理示例。我们认为，实现此目标可以通过带有注释的合成图像的受控生成框架来促进，需要多个条件规格作为输入才能提供控制。我们采用denoising扩散概率模型（DDPM）来训练肺CT域中的大规模生成模型，并根据无分类器采样策略进行扩展，以展示一个这样的生成框架。我们表明，我们的方法可以产生带注释的肺CT图像，这些图像可以忠实地代表解剖学，令人信服地愚弄专家将其视为真实。我们的实验表明，这种性质的受控生成框架几乎可以超过几乎所有最新的图像生成模型，而在接受类似的大型医疗数据集接受培训时，在生成的医学图像中实现了解剖学一致性。
流查询矢量化的HD-MAP构造
高清地图（HD-MAP）的至关重要目的是为地图元素提供厘米级别的位置信息，并在自主驾驶中的各种应用中扮演着关键的角色，包括本地化[6,23，32,33,35,38]和Navigation [1,2,11]。传统上，HD-MAP的构建是通过基于SLAM的方法[30,40]离线进行的，这既是耗时又是劳动力密集的。最近的研究努力已转向使用船上的预定范围内的本地地图的建造。尽管许多现有的作品框架构造作为语义序列任务[17,24,27,29,41]，但这种方法中的栅格化表示表现出冗余的信息，缺乏地图元素之间的结构关系，并且通常需要广泛的后处理工作[17]。响应这些局限性，MAPTR [19]采用了一种端到端的方法来构建vecter ver的地图，类似于Detr范式[4,5,21,42]。
