XiaoMi-AI文件搜索系统
World File Search Systemthesis
TH`ESE（博士论文） - Theses.fr
评审团 James Herman OLIVER 先生 爱荷华州立大学教授、校长 Guillaume MOREAU 先生 南特中央理工学院教授 报告员 Fr´ed´eric NOEL 先生 格勒诺布尔教授 INP 报告员 Fernando DE LA ROSA 先生 洛斯大学教授安第斯山脉报告员 Fr´ed´eric MERIENNE 先生 教授、工艺美术审查员 Jose 先生Tiberio HERNANDEZ 洛斯安第斯大学教授 考官卢如丁先生 艺术与工艺客座教授 女士Florence DANGLADE 艺术与手工艺教授 客座 Pablo Figueroa 先生 洛斯安第斯大学教授 客座
有效合成了富含硫硫的化合物...
对形成碳键的新方法的探索，导致结构新颖的桥接化合物的合成对科学界而言至关重要。许多桥接化合物是众所周知的天然产物和生物活性支架的部分结构，并且也是许多反应中的剂量[1]（图1）。桥接分子的结构唯一性，例如它们的设计，异常对齐和诱人的化学反应，具有较小的桥梁群体鼓励我们检查其独特的有机，猜想和光谱研究[2]。设计一种连贯的策略来访问桥接化合物的综合策略的令人震惊的综合挑战，该化合物具有非保障的热力学稳定性，在合成化学家中产生了好奇心[3]。在桥位的杂原位的紧张的杂循环部分的合成是一项迷人的合成工作，由于兴高采烈以及许多有用的特性，与碳环糖化合物相比，由于兴高采烈以及许多有用的特性，它一直在获得大量的cur现利息[4]。在1928年，奥托·迪尔斯（Otto Diels）教授和他的学生库尔特·奥尔德（Kurt Alder）报告了关于合成的[4Þ2]环加成反应的开创性工作
从文本到图像综合的前景 - 背景分割的无监督共同生成
文本对图像（T2I）合成是一项艰巨的任务，该任务是对文本和图像域及其关系进行建模。最近作品实现的图像质量的实质性改进为Nuberon应用程序铺平了道路，例如语言辅助图像编辑，计算机辅助设计，基于文本的图像检索和培训数据增强。在这项工作中，我们提出了一个简单的问题：与逼真的图像一起，我们是否可以以一种不受影响的方式获得任何有用的副产品（例如前景 /背景或多类分割掩码，检测标签，检测标签），这也将使其他计算机视觉任务任务和应用受益？试图回答这个问题，我们探索了从给定文本中的逼真的图像及其相应的前景 /背景分割掩码。为了实现这一目标，我们与GAN一起实验了共进行分割的概念。具体而言，提出了一种名为“共裂”启发的GAN（COS-GAN）的新型GAN结构，该结构同时从不同的噪声矢量中同时生成两个或多个图像，并利用图像特征之间的空间关注机制来生成逼真的分段掩码，以生成生成的Im-Im-Im-Im-Im-Im-Im-Im-Im-Im-Im-Agens。这种架构的优点是两倍：1）生成的分割掩码可用于专注于前景和背景，以改善生成的图像的质量，2）分段蒙版可以用作其他任务的训练目标，例如访问本地化和分割。在CUB，Oxford-102和可可数据集上进行的广泛实验表明，Cos-Gan能够改善视觉质量，并为发电图像提供可靠的前景 /背景掩码。
高反应方面的综合主导了解剖酶TiO2
作为重要的金属氧化物，由于其在催化和光催化中具有许多有希望的特性，因此对二氧化钛二氧化钛进行了广泛研究。解剖酶TiO 2晶体的特性在很大程度上取决于暴露的外表面。已经做出了许多努力，以提高养殖化合物2的{001}方面的高反应方面的百分比，以增强其催化特性。本评论报告了设计和制造高反应性方面的最新进展通过各种策略，包括传统的蒸汽相外延过程，水热/溶液热方法，非溶液性酗酒方法和高温气体相反应。此外，重点介绍（001）表面，综述还涵盖了解剖酶TiO 2晶体各种高反应性方面的理论模拟的进步。最后，我们提供了一个摘要和一些观点，以了解这一新兴领域的未来研究的挑战和新方向。
Eschernet：可扩展视图合成的生成模型
人类的视野。这种能力不仅对于诸如对象操纵和导航之类的实践日常任务至关重要，而且在培养人类创造力方面起着关键作用，使我们能够以深度，幽默感和沉浸感进行设想和制作对象。在本文中，我们重新审视了视图综合问题并提出：我们如何学习一般的3D表示以促进可扩展的视图综合？我们试图从以下两个观察结果中调查这个问题：i）到目前为止，目前的最新进展主要集中在训练速度和/或提高效率上[12，18，18，31，48]。值得注意的是，这些进步都共同依赖于体积渲染以进行场景优化。因此，所有这些视图合成方法固有地是场景特定的，再加上全局3D空间坐标。相比之下，我们主张一个范式移动，其中3D表示仅依赖场景颜色和几何形状，学习隐式表示无需地面真相3D几何形状，同时也从任何特定坐标系统中具有重要的独立性。这种区别对于实现可扩展性至关重要，以超越场景指编码所施加的约束。ii）本质上，视图合成更适合作为有条件的生成建模问题，类似于生成图像中的图像[25，60]。随着可用信息的增加，生成的场景变得更加限制，逐渐收敛于地面真相表示。仅给出一组稀疏的参考视图时，所需的模型应提供多个合理的预测，并利用生成表述中的固有随机性，并从自然图像统计信息和从其他图像和对象中学到的语义先验中获取见解。值得注意的是，现有的3D生成模型通常仅支持单个参考视图[20 - 23，44]。我们认为，更理想的生成配方应具有不同级别的输入信息。在这些见解的基础上，我们引入了Eschernet，这是一种图像到图像的条件扩散模型，用于视图合成。Eschernet利用了使用Dot-Product自我注意力的变压器体系结构[51]，以捕获参考对目标和目标对目标视图一致性之间的复杂关系。Eschernet中的一个关键创新是相机位置编码（CAPE）的设计，专门代表4个DOF（以对象）和6个DOF相机姿势。这种编码的速率空间结构进入令牌，使模型能够仅基于其相对摄像机的转换来计算查询和密钥之间的自我注意事项。总而言之，Eschernet表现出以下非凡的特征：•一致性：埃舍内特固有地整合了视图的固定性，这要归功于相机位置编码的设计，从而鼓励了对目标对目标和目标视图视图的一致性。
薄膜合成 - 使用米内式脉冲 - 蒸气...
根据机构或联合石板政府赞助的工作，该报告为此准备。美国政府，其任何机构，或其任何雇员均未对任何信息，设备，产品或流程的准确性，完整性或有效性，都没有任何法律责任或责任，也没有任何法律责任或责任，或者承担任何法律责任或责任。在本文中，请参阅任何特定的商业产品，流程或服务，商标，商标，制造商或其他文档不一定构成或暗示其认可，推荐改造或受到美国政府或其任何机构的支持。本文所表达的作者的观点和观点不一定陈述或反映美国政府或其任何机构的观点和意见。
大脑图像合成，无监督的多元规范CSCL4NET
神经科学的最新进展强调了多模式医学数据在研究某些病理和了解人类认知方面的有效性。但是，获得一组不同的模态的完整集受到各种因素的限制，例如长期获取时间，高检查成本和伪影抑制。此外，神经影像数据的复杂性，高维度和异源性仍然是有效地利用现有随机扫描的另一个关键挑战，因为不同机器通常对相同方式的数据进行了不同的测量。显然需要超越传统成像依赖性过程，并从源中综合解剖学特定的目标模式数据。在本文中，我们建议学习使用新型CSCℓ4NET跨内部和模式内变化的专用特征。通过特征图和多元典范适应性中的模态数据的初始统一，CSCℓ4净4净促进了特征级别的相互转换。正定的riemannian歧管 - 惩罚数据限制项进一步使CSCℓ4NET可以根据变换的特征重新构建缺失测量值。最后，最大化ℓ4 -norm沸腾到计算上有效的优化问题。具有较大的实验可以验证我们的CSCℓ4NET的能力和鲁棒性与Multiple数据集中的最新方法相比。
可控文本到图像合成，适用于多模态 MR 图像
近年来，生成模型取得了重大进展，尤其是在文本到图像合成领域。尽管取得了这些进展，但医学领域尚未充分利用大规模基础模型的功能来生成合成数据。本文介绍了一种文本条件磁共振 (MR) 成像生成框架，解决了与多模态考虑相关的复杂性。该框架包括一个预先训练的大型语言模型、一个基于扩散的提示条件图像生成架构和一个用于输入结构二进制掩码的附加去噪网络。实验结果表明，所提出的框架能够生成与医学语言文本提示一致的逼真、高分辨率和高保真的多模态 MR 图像。此外，该研究根据文本条件语句解释了生成结果的交叉注意力图。这项研究的贡献为未来文本条件医学图像生成的研究奠定了坚实的基础，并对加速医学成像研究的进步具有重要意义。