XiaoMi-AI文件搜索系统
World File Search Systemmesh
Alpha Mesh Swc：根据脑细胞骨架描述自动生成稳健的表面网格
图 1：(a) SWC 文件的说明性示例（不是真实细胞）。从左到右，各列分别表示节点索引、神经元区室类型、x、y、z 坐标、半径和父节点索引。例如，第二个节点表示位于 [0, 0, 8] 处半径为 2 µm 的顶端树突（类型 4）部分。它连接到其父节点（第一个节点）。如果父索引为 -1，则当前节点为根节点。(b) (a) 中 SWC 文件定义的神经元骨架的可视化表示。红色 ⊗ 符号表示体细胞节点，神经突节点用红色 + 表示。长度为 l 1 , . . . , l 4 的蓝线绘制了神经元骨架。虚线以 3D 形式说明了神经元的形态。(c) 可用于连接两个连续节点的圆锥
从...
引言患者特定的心脏建模结合了源自医学图像和生物物理模拟的心脏的几何形状，以模拟心脏功能的各个方面。它可以非侵入性地提供有用的生理信息，以促进对个别患者的心脏疾病的理解，诊断和治疗计划[1]。但是，从患者图像数据中生成拟合心脏的模拟网格通常需要复杂的程序和大量的人类努力，从而限制了临床翻译。因此，我们有动力开发快速自动化的方法，从医学图像中构建心脏的模拟网格。深度学习方法可以从现有数据训练神经网络，以自动处理医疗图像并产生全心重建。虽然大多数先前的深度学习方法都集中在图像分割上，但我们最近的方法直接从患者图像数据中直接重建表面网格[2-3]。通过变形表面网格模板，我们以前的方法消除了中间分割步骤，该步骤有时会引入含有拓扑异常的外部区域，这些区域是无形的，无法用于基于模拟的分析[2]。我们还将自由形式变形（FFD）与深度学习结合在一起，以预测控制点网格的位移，以变形包含模拟的整个心脏模板的空间，从而可以直接重建来自图像数据的模拟现象[3]。但是，由于FFD对复杂形状变形的能力有限，因此我们先前的方法需要一个密集的控制点网格，包括成千上万的控制点，以实现可接受的整个心脏重建精度[3]。在这里，我们提出了一种新的深度学习方法，该方法利用Biharmonic坐标来变形整个心脏模板，以更高的精度和更少的控制点拟合目标图像数据。我们还引入了一些有效的学习偏见作为目标功能，以产生能够更好地满足心脏流量计算模拟的建模要求的网格。
利用区域网状精炼来模拟未来...
摘要。与加利福尼亚州复杂读物相关的空间异质性要求高分辨率（<5 km）建模，但是全球渗透的气候模型在计算上在计算上太昂贵了，无法运行多核心模拟。，我们使用美国能源部（DOE）的全球简单云解决E3SM气氛模型（Scream）版本0。四个5年期（2015–2020，2029–2034，2044–2049和2094–2099）通过在加利福尼亚以外的Carrm to以1°的模拟E3SMV1模拟E3SMV1在共享社会经济途径（SSP）5-8.5未来的情况下模拟。3.25 km的网格间距为加利福尼亚气候变化的预测增加了相当大的价值，包括中央山谷中更现实的高温以及在内华达山脉和沿海地区的降水和积雪的空间分布大大改善。Under the SSP5-8.5 scenario, CARRM simu- lation predicts widespread warming of 6–10 °C over most of California, a 38 % increase in statewide average 30 d winter– spring precipitation, a near-complete loss of the alpine snow- pack, and a sharp reduction in shortwave cloud radiative forc- ing associated with marine stratocumulus by the end of the 21st century.我们注意到CARRM的气候湿降水偏置，并讨论可能的原因。我们得出的结论是，Scream RRM是一种技术在技术上可行且具有科学的有效工具，可用于侵入区域的气候模拟，为全球对流允许模拟提供了极好的桥梁。
讲座（16）网格嵌套和网状细化
粗网格预测提供了巢界面上的边界条件，以便在细网格预测中使用。双向嵌套网格的优势包括在细网格上解析的细尺度工艺可以影响粗网格上的较大尺度流。这对于数值天气预测很重要，因为大气中的小规模过程极大地影响了大气中的大规模过程。由于与精细分辨率网格相比，粗分辨率网格上的预测所花费的时间和内存更少，因此模型的最外界可以远离预测区域，而细分辨率域仍然足够小，足以实时运行。移动巢也很常见，在当前模型中，较高的分辨率巢可以通过感兴趣的现象（例如飓风）移动。
TetGen，基于 Delaunay 的高质量四面体网格生成器
TetGen 是一个 C++ 程序，用于生成高质量的四面体网格，旨在支持数值方法和科学计算。高质量四面体网格生成问题面临许多理论和实践问题的挑战。TetGen 使用基于 Delaunay 的算法，该算法具有理论上的正确性保证。它可以稳健地处理任意复杂的 3D 几何形状，并且在实践中速度很快。TetGen 的源代码是免费提供的。本文介绍了开发 TetGen 的基本算法和技术。目标读者是网格生成或其他相关领域的研究人员或开发人员。它描述了 TetGen 的关键软件组件，包括高效的四面体网格数据结构、一组增强的局部网格操作（翻转和边缘去除的组合）和过滤的精确几何谓词。关键算法包括用于插入顶点的增量 Delaunay 算法、用于插入约束（边和三角形）的约束 Delaunay 算法、用于恢复约束的新型边恢复算法以及用于自适应质量四面体网格生成的新型约束 Delaunay 细化算法。给出了实验示例以及与其他软件的比较。
实习：建造3D网状自动编码器-AFIG
实习的主要目标是对网格代表领域内的当前文献进行彻底审查。随后，目的是设计和实现3D网格自动编码器，以便能够准确捕获对象的形状并有效地将它们压缩到潜在表示中。利用潜在空间已被证明在生成模型中非常有效，如文本对图像模型中所示[6，7]。该自动编码器的潜在应用是多种多样的。主要是，它有可能通过促进潜在空间内的直接操作来大大减轻模型的计算负担。这不仅解锁了在网格序列上无缝工作的运动模型的可能性，而且还使模型的扩展能够处理多个字符，从而结合了它们之间的相互作用。其次，潜在空间可用于生成模型中，从而促进了从文本/图像/视频到姿势/运动的翻译。
数据网格参考架构 (DMRA) 首席数字...
• 为各利益相关者提供通用语言 • 在解决方案实施之间开发连接点 • 支持根据经过验证的参考架构 (RA) 验证解决方案 • 鼓励遵守通用模式 DMRA 是从企业级角度开发的，以支持国防部在数据、分析、基础设施和人工智能 (AI) 活动中的统一方法。它使用战略方法来指导国防部的分散数据管理行动，如国防部数据、分析和人工智能采用战略中所述，以加速和扩展决策优势成果，以实现国防部的数字化转型目标。 如图 1 顶部所示，DMRA 支持两个国防部任务领域：董事会会议室和战场。这些任务领域的参与者可能是人类或机器，他们需要网格右侧的功能。这种需求触发网格参与者通过遵循一些行动路径组合（例如左侧的行动路径）来开发能力。这些参与者和行动指导识别 DMRA 的董事会会议室和战场用例。
HEC-RAS 2D 流动面积灵活计算网格
• . • 距离（这是从桥面上游侧到桥梁外侧上游和下游外侧横截面的距离） • 沿流动方向的桥面宽度 • 过道路流量的堰系数 • 站（沿桥面/道路从左到右的距离）、桥面上游侧和下游侧的高弦和低弦高程
海报：Mazu：服务网格的零信任体系结构...
摘要 - Microservices是一种主要的云计算体系结构，因为它们可以作为松散耦合服务的集合构建应用程序。为了对所得分布式系统提供更大的控制，微服务通常使用称为“服务网格”的覆盖代理网络。服务网格的关键优势是它们通过使用相互认证的TLS加密微服务流量来实现零信任网络。但是，服务网格控制平面（尤其是其本地证书授权）的信任点是一个关键点。在这张海报中，我们介绍了M Azu，该系统旨在通过用无私人的校长替换其认证权限来消除对服务网格控制平面的信任。m azu利用了基于注册的加密的最新进展，并与广泛使用的服务网格无缝集成。我们介绍我们的初步实施，并强调未来的工作。
互动3D建模的文本引导的可控网格精炼
我们考虑通过文本指导将几何细节添加到3D对象网格的问题。文本到3D生成建模已成功应用于计算机视觉[Poole等。2023;张等。2024]，计算机图形[Khalid等。2022]和地理处理[Gao等。2023; Xu等。2024]应用。这些方法着重于直接从文本中生成3D网格[Poole等。2023; Wang等。2023]没有为用户提供控制输出形状粗糙结构的能力，从而限制了需要仔细控制生成过程的艺术家的实际实用性。其他方法着重于生成3D网格的纹理[Cao等。2023;理查森等。2023]，但它们在几何形状上没有执行任何变化。虽然有一些方法[Gao等。2023; Metzer等。2023]向用户提供控制并能够修改给定形状的几何形状，这些方法通常很慢，因为它们依赖于昂贵的得分蒸馏采样[Poole等。2023]。在本文中，我们提出了一种创建3D对象与丰富几何细节的方法，同时允许用户保留对全局形状结构（通过输入粗网格）和本地几何细节（通过输入文本提示）的控制。随着文本引导的生成方法的最新成功[Metzer等。2023; Poole等。2023;理查森等。2023; Wang等。2024;张等。2023]，我们在大型预训练的文本对图模型上构建了我们的方法[Rombach等。2022]并使用语言指导几何细节的生成。我们的公式不需要配对的粗几何图和细几何训练数据，而是使用大型预训练的文本对图像模型作为监督，以指导通过可区分的渲染器添加几何细节的过程。我们的主要见解源于以下事实：训练以深度信息指导的文本对图像生成的模型[Mou等。2023]最终创建包含其他几何提示的图像。如图2所示，这些提示是如此突出，即使是现成的正常估计模型也可以提取它们。即，即使小鼠图像仅从三个球体产生，其正常估计（最右图像）显示了与描绘眼睛，鼻子和耳朵的表面相对应的正态。但是，此过程只能从单个角度创建可见的细节，而我们希望将细节添加到给定形状的整个可见表面。我们的方法在三个阶段中将几何详细信息添加到输入网格中。第一阶段基于输入文本提示和输入粗网格生成单视RGB图像。此RGB图像可以看作是如何将其添加到输入网格的几何详细信息的预览。第二阶段根据第一阶段和输入粗网格的单视输出进行多视图生成。第三阶段根据第二阶段的多视图生成来完善输入网格的几何细节。由于每个阶段的输出是非提交的，人类可理解的图像或效果图，因此此属性允许在完成之前的早期瞬间，以便用户决定更改参数或返回并更改/修改输入。此外，前两个阶段仅涉及运行预训练网络的推断，最后阶段直接在网格上运行。每个阶段都可以在几秒钟内完成，因此允许我们的方法用于支持