XiaoMi-AI文件搜索系统
World File Search Systemdenoising
扩散-ES：无梯度计划，扩散自主和指导引导
扩散模型在建模复合物和多模态轨迹分布方面表现出色，以进行决策和控制。最近提出了奖励级别指导的denoising，以生成轨迹，从而最大程度地提高了可差异的奖励函数，又是扩散模型捕获的数据分布下的可能性。奖励级别指导的denoisising需要适合清洁和噪声样本的可区分奖励功能，从而限制了其作为一般轨迹优化器的应用。在本文中，我们提出了扩散-ES，一种将无梯度优化与轨迹deNoising结合起来的方法，以优化黑框非差异性目标，同时留在数据管理中。扩散-ES样品在进化过程中的轨迹 - 从扩散模型中搜索，并使用黑框奖励函数得分。它使用截断的扩散过程突变高得分轨迹，该过程应用了少量的no弱和降解步骤，从而可以更有效地探索解决方案空间。我们表明，扩散-ES在Nuplan上实现了最先进的表现，Nuplan是一个已建立的闭环计划基准，用于自动驾驶。扩散-ES的表现优于现有的基于抽样的计划者，反应性确定性或基于扩散的策略以及奖励梯度指导。此外，我们表明，与先前的指导方法不同，我们的方法可以优化由少数弹药LLM提示产生的非差异性语言形状奖励功能。这使我们能够解决最困难的NUPLAN场景，这些方案超出了现有的传统优化方法和驾驶策略的能力。在以遵循指示的人类老师的指导下，我们的方法可以产生新颖的，高度复杂的行为，例如训练数据中不存在的积极的车道编织。1
TEXGEN：带有多...
摘要。给定3D网格，我们的目标是合成对任意文本描述的3D纹理。当前从采样视图中生成和组装纹理的方法通常会导致突出的接缝或过度平滑。为了解决这些问题，我们提出了Texgen，这是一种新型的多视图采样和重新采样框架，用于利用预先训练的文本对图扩散模型。为了视图一致的采样，首先，我们在RGB空间中维护纹理图，该纹理图由denoising步骤进行参数化并在扩散模型的每个采样步骤之后进行更新，以逐步减少视图散发。利用了注意引导的多视图采样策略来跨视图广播外观信息。为了保留Texurure细节，我们开发了一种噪声重采样技术，该技术有助于估算噪声，按照文本提示和当前纹理图的指示为后续的DeNoising步骤生成输入。通过大量的定性和定量评估，我们证明我们提出的方法为具有高度视图一致性和丰富外观细节的不同3D对象产生了明显更好的纹理质量，并且优于当前的目前先进的方法。fur-hoverore，我们提出的纹理生成技术也可以应用
UCLA
摘要 - 扩散模型在各种图像生成任务（包括图像超分辨率）上实现了令人印象深刻的性能。尽管它们令人印象深刻，但由于大量的降级步骤，扩散模型的计算成本很高。在本文中，我们提出了一种新型的加速扩散模型，称为部分扩散模型（PDMS），用于磁性成像（MRI）超分辨率。我们观察到，扩散一对低分辨率和高分辨率的图像的潜力逐渐收敛，并在一定的噪声水平后变得难以区分。这激发了我们使用某些潜在的低分辨率来对相应的高分辨率潜在。使用近似值，我们可以跳过一部分扩散和降解步骤，从而减少训练和推理的计算。为了减轻近似误差，我们进一步引入了“潜在对齐”，该误差逐渐插入并接近低分辨率潜在的高分辨率潜在潜在的潜在。部分扩散模型与潜在对齐结合，基本上建立了一种新的轨迹，与原始分化模型中的那些相比，潜伏期逐渐从低分辨率转变为高分辨率图像。在三个MRI数据集上进行的实验表明，部分扩散模型可实现比起原始扩散模型比原始扩散模型更少的固定步骤。另外，它们可以与最近的加速扩散模型合并，以进一步提高效率。
MRI超分辨率具有部分扩散模型-Kai Zhao
摘要 - 扩散模型在各种图像生成任务（包括图像超分辨率）上实现了令人印象深刻的性能。尽管它们令人印象深刻，但由于大量的降级步骤，扩散模型的计算成本很高。在本文中，我们提出了一种新型的加速扩散模型，称为部分扩散模型（PDMS），用于磁性成像（MRI）超分辨率。我们观察到，扩散一对低分辨率和高分辨率的图像的潜力逐渐收敛，并在一定的噪声水平后变得难以区分。这激发了我们使用某些潜在的低分辨率来对相应的高分辨率潜在。使用近似值，我们可以跳过一部分扩散和降解步骤，从而减少训练和推理的计算。为了减轻近似误差，我们进一步引入了“潜在对齐”，该误差逐渐插入并接近低分辨率潜在的高分辨率潜在潜在的潜在。部分扩散模型与潜在对齐结合，基本上建立了一种新的轨迹，与原始分化模型中的那些相比，潜伏期逐渐从低分辨率转变为高分辨率图像。在三个MRI数据集上进行的实验表明，部分扩散模型可实现比起原始扩散模型比原始扩散模型更少的固定步骤。另外，它们可以与最近的加速扩散模型合并，以进一步提高效率。
scdtl：基于深度转移学习的单细胞RNA-seq插定使用散装细胞信息
摘要。动机：单细胞RNA示例（SCRNA-SEQ）的增长量使研究人员能够研究细胞性质和基因表达曲线，从而在单细胞水平上提供了转录组的高分辨率视图。但是，SCRNA-Seq数据中通常存在的辍学事件仍然是下游分析的挑战。尽管已经开发了许多研究来恢复单细胞表达曲线，但它们的性能有时会受到不完全利用基因之间的固有关系而受到限制。结果：为了解决这个问题，我们提出了一种基于深度转移学习的方法，称为SCDTL，称为SCDTL，用于通过探索大量的RNA序列信息来推出SCRNA-Seq数据。SCDTL首先使用Denoising AutoCododer（DAE）训练批量RNA-Seq数据的插补模型。然后，我们应用了一个域的适应体系结构，该结构在批量基因和单细胞基因域之间构建图形，该结构将大量归档模型学到的知识转移到SCRNA-Seq学习任务。此外，SCDTL采用了1D U-NET DeNoising模型的并行操作，以提供不同粒度的基因表示，从而捕获了Scrna-Seq数据的粗糙和精细特征。在最后一步中，我们使用跨通道注意机制来融合从转移的散装螺旋桨和U-NET模型中学到的效果。在评估中，我们进行了广泛的实验，以证明基于SCDTL的方法可以在定量比较和下游分析中优于其他最新方法。联系人：zhangd@szu.edu.cn或tianj@sustech.edu.cn
Asade Holi's
2 A. Aali，M。Arvinte，S。Kumar等。gsure denoings可以培训更高质量的生成先验，以加速多线圈MRI重建。：国际医学磁共振学会（ISMRM）。2024。
UB0100 AI 和 CV 计算引擎
锐化卷积 Chrome 生成数据类型转换中值可分离卷积色度去噪颜色类型转换颜色组合形态学操作查找表模糊边缘检测单应性卷积拉普拉斯哈里斯角最小最大调整大小下采样
特刊-MDPI
摘要：非本地平均值（NLM）可以显着提高信噪比（SNR），但不可避免地会降低分布式光学纤维传感器（DFOS）的空间分辨率，这阻碍了其实际应用和DFOS绩效的改善。在本文中，分析了相关光学时域回流仪（ϕ-OTDR）和NLM参数的信号扩展之间的定量关系，以识别空间分辨率降解的原因和程度。模拟周期性和ϕ -OTDR振动信号的降解结果表明，信号扩展主要是由于NLM的相似性窗口大小，并且信号振幅降低是由高斯平滑参数引起的。与参考信号相比，降解后模拟信号的信号扩展和ϕ -OTDR信号分别为2.56％和2.74％，远小于先前的结果。信号振幅分别降低了9.25％和13.62％。这项工作促进了NLM的应用并提高了DFO的性能。
多孔材料的逆向设计：扩散模型...
图 1. 沸石生成扩散过程的图形模型。a，本文开发的扩散模型的沸石结构输入表示。b，沸石生成扩散模型的噪声和去噪过程的图形说明。c，沸石网格的渐进采样过程