XiaoMi-AI文件搜索系统
World File Search Systemimage
图像数据扩散模型的进步
摘要图像数据的增强构成了现代计算机视觉任务中的一种关键方法，因为它可以促进增强培训的多样性和质量；从而提高下游任务中机器学习模型的性能和鲁棒性。并行，增强方法也可以用于以上下文和语义感知方式编辑/修改给定图像。扩散模型（DMS）构成了生成人工智能（AI）领域中最新且高度有前途的方法之一，它已成为图像数据增强的强大工具，能够通过学习潜在的数据分布来生成现实且多样化的图像。当前的研究实现了对基于DM的图像增强方法的系统，全面和深入的评论，涵盖了广泛的策略，任务和应用。尤其是对DMS的基本原理，模型架构和培训策略的全面分析。随后，对相关图像增强方法的分类法进行了研究，重点是有关语义操纵，个性化和适应的技术，以及特定于应用程序的增强任务。然后，分析了绩效评估方法和各自的评估指标。最后，讨论了当前的挑战和未来的研究方向。
具有无标记探针
胃癌是全球与癌症相关死亡的第二大主要原因。早期诊断显着增加了生存的机会；因此，需要改进的辅助探索和筛选技术。以前，我们通过将光学探针插入仪器通道中使用了增强的多光谱内窥镜。然而，有限的视野和在组织上留下的光学活检留下的标记使探测的可疑区域的导航和重新访问变得复杂。在这项贡献中引入了两种创新工具，以显着提高临床实践中患者的可追溯性和监测：（i）视频镶嵌以建立对大型胃区域的更全面和全景的视野； （ii）具有内镜图像的靶向和注册的光学活检。所提出的基于光流的镶嵌技术选择了最小化纹理不连续性的图像，尽管缺乏纹理和照明变化，但仍有坚固的不连续性。光学活检的靶向基于内窥镜视图中自由标记探针的自动跟踪，使用深度学习在探索过程中动态估算其姿势。假设器官的小目标区域几乎是平坦的，姿势估计的精度足以确保标准白光颜色图像和高光谱探针图像的精确重叠。这允许将所有时空跟踪的活检位点映射到全景镶嵌上。从医院的患者获得的视频中进行了实验验证。所提出的技术纯粹是基于软件的，因此很容易地整合到临床实践中。它也是通用的，并且与连接到圆柱纤维镜连接的任何成像方式兼容。
合成健康大脑图像的生成提示模型。
健康受试者的脑成像数据库规模非常有限，不足以满足基于深度学习的方法固有的学习步骤。获取 MRI 图像需要时间和昂贵的资源，而这些资源不能花在健康的患者身上。因此，模型总是根据呈现各种病理的图像进行训练：胶质母细胞瘤、多发性硬化症病变、阿尔茨海默氏症等。拥有一个能够生成健康患者图像的系统将能够构成学习网络所必需的大量数据，通过向数据中添加特定的时间变化标记来掌握病理学研究，从而创建在医学成像中极为罕见的时间序列。因此，根据文本描述生成医学图像的技术为生成临床质量的图像提供了一种经济高效且非侵入性的替代方法。
tnm以外的预后标记
P-D-08研究摘要用于医学图像分割的黑盒改编Jay Nitin Paranjape； Shameema Sikder，医学博士，FACS； S. Swaroop Vedula，MBBS，博士，MPH；以及马里兰州巴尔的摩的Vishal M. Patel Johns Hopkins大学；约翰·霍普金斯大学医学院，马里兰州巴尔的摩简介：大型基础模型在一般计算机视觉任务中具有先进的图像细分，但是由于接受了非医疗数据培训，它们在医学图像细分方面经常表现不佳。当前用于将这些模型调整为医疗任务的方法通常假设对模型参数完全访问，这并不总是可行的，因为许多模型仅作为API或黑框可用。此外，对此类模型进行微调可能是计算密集的，并且隐私问题限制了与第三方共享医疗数据。方法：为了解决这些挑战，我们提出了BAPS（用于促进分割的黑盒改编），这是一种新型技术，旨在在黑盒条件下适应医疗图像分割中的基础模型。BAPS由两个组成部分组成：一个图像促销解码器（IP解码器），该解码器（IP解码器）从输入映像和提示中生成视觉提示，以及零订单优化（Zoo）方法，SPSA-GC，该方法可更新IP解码器，而无需通过基础模型进行回音。此方法允许在不了解模型的权重或梯度的情况下进行适应，因此它非常适合黑色盒子方案。结果：BAPS以四种不同的医学成像方式进行了测试，表明原始基础模型的性能大约提高了4％。公开可用的BAPS代码。实现了这种改进，而没有与基础模型的内部参数进行任何直接相互作用，从而突出了我们的黑盒适应方法的有效性。结论：BAPS为将基础模型调整为医学图像分割提供了创新的解决方案，尤其是在模型参数无法访问时。通过将图像推出解码器与零订单优化方法相结合，BAP可以有效地提高分割性能，而无需访问模型的内部结构。这种方法解决了计算和隐私方面的关键挑战，为在医学成像中应用基础模型提供了新的途径。
CMOS 成像器微透镜优化的光学模拟
在第一部分中，我们描述了我们的方法。我们从标准微电子 CAD 软件中的像素布局描述开始，然后在光学射线追踪软件上生成三维模型。该光学模型旨在尽可能真实，同时考虑到像素所有组件的几何形状和材料的光学特性。还开发了一种特定的射线源来模拟真实条件下的像素照明（物镜后面）。在光学模拟之后，结果被传输到另一个软件以进行更方便的后处理，其中我们使用由角度响应模拟结果与测量值的拟合确定的加权表面作为感光区域。利用这个表面，我们计算基板内的射线密度以评估传感器的模拟输出信号。
最佳选择城市二氧化碳的卫星XCO2图像...
摘要。从CO 2柱平均干摩尔分数（XCO 2）的Spaceborn图像中估算城市CO 2发射的兴趣越来越大。排放估计方法已被广泛测试并应用于实际或合成图像。但是，仍然缺乏选择值得处理的图像的客观标准。这项研究分析了一种自动化方法的性能，用于估计城市排放作为目标城市和大气条件的函数。，它使用具有合成真理的合成数据和9920 XCO 2的合成卫星图像在全球最大的31个城市中，由全球自适应网格模型，海洋 - 陆地 - 大气模型（OLAM）产生，在这些城市高度重大的城市中放大。我们使用一种应用于这种合成图像集合的决策树学习方法根据这些发射和大气条件来定义标准，以选择合适的卫星图像。我们表明，基于高斯羽流模型的发射估计方法的自动化方法设法估算了92％的合成图像。我们的学习方法确定了两个标准，即风向的空间可变性和目标城市的排放预算，这些预算折磨了其处理的图像，其处理可得出合理的发射估计，从而从那些处理产生大量的估计。图像对应于风向低空间可变性（小于12°）和高城市排放（大于2.1 kt co 2 H-1）的图像占图像的47％，并且其处理的相对误差在发射范围内产生了相对误差，中位数为-7％，二级分支范围
图像和视频柔和对比度自我监督学习的相似性估计
抽象的对比表示学习已被证明是图像和视频的有效自我监督的学习方法。最成功的方法是基于噪声对比估计（NCE），并将实例的不同视图用作阳性，应与其他称为否定的实例形成对比，被称为噪声。但是，数据集中的几个实例是从相同的分布中汲取的，并共享基本的语义信息。良好的数据表示应包含实例之间的关系，语义相似性和差异性，即通过将所有负面因素视为噪声来损害对比学习。为了避免此问题，我们提出了一种新的对比度学习的表述，使用称为“相似性对比估计（SCE）”的实例之间的语义相似性。我们的训练目标是一个软的对比目标，它使阳性更接近，并估计根据其学到的相似性推动或提取负面实例的连续分布。我们在图像和视频表示学习方面均通过经验验证我们的方法。我们表明，SCE在ImageNet线性评估方案上的最低时期时代的较少时代的时期与最低的时期进行了竞争性，并且它概括为几个下游图像任务。我们还表明，SCE达到了预处理视频表示的最新结果，并且学习的表示形式可以推广到下游任务。源代码可用：https：//github.com/juliendenize/eztorch。
减少红树林库存生态系统，原因是非法伐木，结合了无人机图像和现场调查
背景和目标：红树林栖息地在全球碳循环中起着至关重要的作用，减少温室气体排放并减轻气候变化的影响。卫星图像和航空摄影已被广泛用于绘制红树林生态系统的动力学。这些照片被用作包括印度尼西亚在内的国际政策协议的投入，以定义有关二氧化碳排放到森林砍伐和土地利用变化引起的大气中的法规。这项研究旨在绘制森林以识别森林砍伐区域，并评估非法伐木对印度尼西亚北萨姆特拉（North Sumtera）Lubuk Kertang Village在印度尼西亚北萨姆特拉（Lubuk Kertang Village）的红树林碳库存的影响。方法：使用Da-Jiang Innovations Phantom 4 Professional在150米高度的高分辨率卫星图像中获得光度数据分析。仔细部署飞行路径以获得高度准确性的最佳图像捕获准确性，从8月5日至8月5日进行了90％。卫星图像在某些地区被捕获，例如修复的红树林和油棕种植园。两个研究地点都产生了正驱动器和数字表面模型，以及将无人驾驶飞机与光度法方法的整合导致数据处理运动方法从结构开发。的发现：这项研究比较了2022年卢布克·库尔塔村红树林的碳储存量与2023年的碳库存，或者使用无人驾驶飞机摄影测量现场调查的非法日志记录复发。在红树林中的地上生物量的分布覆盖了2022年的253.4公顷土地，每公顷15.819 megagram。与此同时，在2023年，地上生物质为每公顷70.94兆格兰，总碳为每公顷8.927兆格兰。这项研究表明，卢布克·科尔本村（Lubuk Kertang Village）的红树林比上一年损失了约56％。结论：非法记录对碳固存/股票造成了重大威胁。这种现象强调了需要改进监测和保护策略的必要性。遥感技术和现场调查的组合为蓝色碳库存，红树林保护计划以及监测沿海生态系统中的气候，社区和生物多样性项目提供了强大的工具。
在映射城市环境中的街道视图图像的覆盖范围和偏见
街道视图图像（SVI）已成为城市研究中有价值的数据形式，从而为绘制和感知城市环境提供了新的方法。然而，关于SVI的代表性，质量和可靠性的基本问题仍然没有被解散，例如该数据在多大程度上可以捕获城市并进行数据差距导致偏见。这项研究位于空间数据质量和城市分析的交集中，通过提出一种新颖和e ff的方法来解决这些问题，以估计SVI在城市环境中的元素级别覆盖率。该方法整合了SVI与目标要素之间的位置关系，以及身体障碍的影响。将数据质量的域扩展到SVI，我们引入了一个指标系统，该系统评估了覆盖范围，重点是完整性和频率维度。作为一个案例研究，进行了三个实验，以确定SVI覆盖和代表城市环境因素的能力的潜在偏见，并以建筑物外墙为例。发现，尽管在城市道路网络沿线可用性很高，但Google Street View在案例研究区中仅覆盖62.4％的建筑物。每栋建筑物的平均立面覆盖率为12.4％。svi倾向于过分陈述非住宅建筑物，因此可能导致有偏见的分析，并且其对环境因素的覆盖范围依赖于位置。这项研究还强调了在不同数据采集实践下的SVI覆盖范围的可变性，并提出了SVI收集的最佳采样间隔范围为50-60 m。调查结果表明，虽然有价值的见解，但它不是灵丹妙药 - 它在城市研究中的应用需要仔细考虑
Leonardo：一种删除光片显微镜图像中样品引起的像差的工具集
4 Helmholtz AI，Helmholtz Munich，Neuherberg，德国，德国14 5 MORGRIDGE研究所，美国威斯康星州麦迪逊，美国威斯康星州麦迪逊15 6 6 6 Helmholtz Center，Helmholtz Center，Neuerherg，德国Neuherberg，德国16 7研究院 University, 17 Munich, Germany 18 8 Munich Cluster for Systems Neurology (SyNergy), Munich, Germany 19 9 Department of Industrial and Molecular Pharmaceutics, Purdue University, 575 Stadium Mall Drive, West Lafayette, 20 IN 47907, USA 21 10 School of Medicine, Koç University, İstanbul, Turkey 22 11 Computer Aided Medical Procedures, Technical University of Munich, Munich, Germany 23 12 Computer美国巴尔的摩的约翰·霍普金斯大学（John Hopkins University），美国巴尔的摩24 13 AI研究所，赫尔姆霍尔茨·慕尼黑，德国诺伊尔伯格，德国诺伊尔伯格，25 14卓越群“多尺度生物影像学：从分子机器：从分子机器到可激发的细胞网络到可激发的细胞网络”