XiaoMi-AI文件搜索系统
World File Search Systemvoxel
Infinicube：无界和可控的动态3D ...
我们在Finube中提出，这是一种可扩展的方法，用于生成具有高量和可控性的非边界动态3D驾驶场景。以前的场景生成方法遭受有限的尺度或缺乏生成序列的几何和表现一致性。在很重要的情况下，我们利用可扩展的3D表示和视频模型中的最新进步来实现大型动态场景生成，从而可以通过高清地图，车辆边界框和文本描述来实现灵活的控制。首先，我们构建了一个基于地图的基于地图的稀疏体3D生成模型，以释放其无限素素的能力。然后，我们通过一组精心签名的像素一致的指导缓冲液重新使用视频模型，并将其扎根于体素世界，从而综合了一致的外观。最后，我们提出了一种快速的前进方法，该方法使用体素和像素分支来将动态视频提升为动态的3D高斯，并具有控制 -
基于改进的k-neareb邻居和欧几里得聚类分割的锂电池表面缺陷的新方法
急剧降低加工效果。对于选择参数D，我们必须考虑点云数据收集的密度。当距离太小时，可以选择致密点，但是某些缺陷点会损失；当距离太大时，很难选择所有离群值D需要达到平衡的距离（图8b）。和最后，要确定体素网格的密度ρ从边缘去除稀疏体素，这反映了体素网格k-邻域中点云的密度（图8C）。因此，在此仿真示例中，提出的算法的参数配置如下：n = 12，d = 1，ρ= 0.5。
一个可扩展3D对象生成和重建的变量自动编码器级联级联对敌方网络
摘要：用于3D体积生成和重建的生成对抗网络（GAN），例如形状产生，可视化，自动化设计，实时仿真和研究范围，在各个领域都受到了更多的关注。但是，诸如有限的培训数据，高计算成本和模式崩溃问题之类的挑战持续存在。我们建议将变异自动编码器（VAE）和gan结合起来，以发现增强的3D结构，并引入一种稳定且可扩展的渐进式增长方法，以生成和重建基于体素的基于体素的3D形状。级联结构的网络涉及生成器和鉴别器，从小型体素大小开始，并逐步添加图层，同时在每个新添加的层中使用地面标签监督歧视器，以建模更广阔的体素空间。我们的方法提高了收敛速度，并通过稳定的增长来提高生成的3D模型的质量，从而促进了复杂的体素级详细信息的准确表示。通过与现有方法的比较实验，我们证明了方法在评估体素质量，变化和多样性方面的有效性。生成的模型在3D评估指标和视觉质量中表现出提高的准确性，使它们在包括虚拟现实，元评估和游戏在内的各个领域都很有价值。
bianca -ms
图4手动分割蒙版的示例由两个评分者在原始版本（红色和绿色，第二列）和应用后处理清洁步骤的版本（浅蓝色和洋红色，第三列）中获得的版本。在第四列中显示了原始病变面膜和清洁病变面膜之间的变化（橙色=在原始面膜和清洁蒙版中共有的素，黄色=通过清洁步骤添加的黄色=素，蓝色=通过清洁步骤移除的素=素=素）。白色箭头表示评估者在病变轮廓上显示较大差异的区域。引入清洁步骤时，这些差异会减少（浅绿色箭头）。
实现精细功能 MRI 的关键因素
图 4 表面网格细化对减少缺失体素数量的影响。（a）体积到表面投影示意图。方块表示体积空间中的体素。黄色方块表示分配给网格顶点的体素。灰色方块表示由于顶点间距粗而未投影到任何网格顶点上的缺失体素。三角形表示表面网格的面。蓝点表示原始表面中的顶点。紫点表示通过表面细化添加的顶点。随着在细化过程中将顶点添加到表面，更多的体素被分配给顶点，从而减少了缺失体素的数量。（b）使用原始表面时缺失的体素，这些体素是通过增加表面细化的迭代次数而捕获的。放大的视图显示了距状沟内的示例表面（黑色轮廓）。颜色表示唯一体素索引。随着表面网格的细化，表面投影中包含了更多唯一体素。 （c）随着表面网格逐渐细化，独特 fMRI 体素的数量。随着每次细化迭代，包含的独特体素数量稳步增加，在四次细化迭代后出现稳定状态。虚线表示每个受试者（N = 3）的值；条形图显示受试者的平均值
利用反射配准技术在脑病变分割中发挥双侧对称性
摘要：脑病变（包括中风病变和肿瘤）在位置、大小、强度和形式方面具有高度可变性，这使得自动分割变得困难。我们建议通过利用健康大脑的双侧准对称性来改进现有的分割方法，当存在病变时，这种对称性就会消失。具体而言，我们使用神经图像与其反射版本的非线性配准（“反射配准”）来确定每个体素在另一半球的同源（对应）体素。同源体素周围的斑块作为一组新特征添加到分割算法中。为了评估这种方法，我们实现了两种不同的基于 CNN 的多模态 MRI 中风病变分割算法，然后使用上面描述的反射配准方法通过添加额外的对称特征来增强它们。对于每种架构，我们在 2015 年缺血性中风病变分割挑战赛 (ISLES) 的 SISS 训练数据集上比较了有对称性增强和没有对称性增强的性能。使用线性反射配准可以提高基线的性能，但非线性反射配准可以带来更好的结果：一种架构的 Dice 系数比基线提高了 13 个百分点，另一种架构的 Dice 系数提高了 9 个百分点。我们认为在现有分割算法中添加对称特征具有广泛的适用性，特别是使用所提出的非线性、无模板方法。
BIBSNet：用于 MRI 扫描的深度学习婴儿图像脑分割网络
自动脑分割算法通常依赖高分辨率 T 1 加权 (T1w) 或 T 2 加权 (T2w) 解剖图像来注释组织类型。这些算法依赖于不同脑组织和区域的体素对比度和强度差异来描绘脑组织和区域边界。大多数情况下，成人和儿童的脑组织和区域边界很容易描绘；然而，它们在婴儿数据中通常不太准确。这可能是由于大脑在出生后头几年经历了重大变化，例如髓鞘形成、突触形成和神经胶质增生 1,15,16 。例如，0 至 3 个月大的婴儿的 GM 和 WM 体素对比度与成人相反（图 2），从大约 5-9 个月开始对比度降低，导致组织看起来非常相似（图 2），而在 5-9 个月及以后的后期阶段，大脑开始模仿成人大脑的组织对比度 7,17,18。
针灸对缺血性中性疾病患者大脑和小脑的双边作用：一项随机临床和神经成像试验
涉及肢体区域的抽象背景针灸在临床上可能有效地对中风康复有效，但是可视化和解释的证据受到限制。我们的目标是评估针灸对偏瘫的缺血性中风患者的特定作用，并研究其在功能连通性方面的治疗驱动的修饰。方法是随机分配患者（2：1）接受10个手脚12针针刺（HA，n = 30）或非顾问（NA）针灸（n = 16），参加性别匹配和年龄匹配的健康对照（HC，n = 34）。临床结果是改进的FUGL-MEYER评估评分，包括上肢和下肢（δFM，δFM-EU，δFM-LE）。神经成像结果是体素摩擦的同位连通性（VMHC）。静态和动态功能连通性（SFC，DFC）分析用于研究神经可塑性的重组。结果46 ISS（平均（SD）年龄，59.37（11.36）年）和34 HCS（平均（SD）年龄，52.88（9.69）年），包括临床和神经影像学分析。在临床上，HA组的δFM分数为5.00，Na组为2.50，δFM和δVMHC之间的双重相关性（Angular：r = 0.696，P = 0.000；小脑：R = -0.716，p = 0.000），拟合线性回归模型（R 2 = 0.82828）。在神经影像学中，ISS在双侧中心回和小脑（高斯随机场，GRF校正，Voxel P <0.001，簇P <0.05）中的VMHC降低，拟合了逻辑回归模型（AUC = 0.8413，精度= 0.75500）。没有针灸相关的不良事件。针灸后，双侧上额回轨道部分中的VMHC随着脑脑脑的变化而增加，涉及iPsiles的上额额轨道轨道部分和相反的轨道轨道上的ipsiles sfc，以及相反的轨道轨道皮质，以及cerebellum（grf cerbellum以及grf cerbellum（grf）（grf）（grf）（grf）（grf perfected peceel percorpected p <0.001 p <0.001，p <0.001，p <0.001，p <0.001，p 在局部双侧后扣带回回（PPC）中，VMHC的变异系数降低（GRF校正后，Voxel P <0.001，群集P <0.05），积分状态转化为隔离状态（P <0.05）。 结论随机临床和神经想象试验表明，针灸可以通过双侧静态和动态重新组织来促进运动的恢复，并修改了脑部脑脑VMHC，IS是偏瘫患者。在局部双侧后扣带回回（PPC）中，VMHC的变异系数降低（GRF校正后，Voxel P <0.001，群集P <0.05），积分状态转化为隔离状态（P <0.05）。结论随机临床和神经想象试验表明，针灸可以通过双侧静态和动态重新组织来促进运动的恢复，并修改了脑部脑脑VMHC，IS是偏瘫患者。
![arxiv：2311.17084v2 [cs.cv] 2024年11月25日](/simg/g:\will\search\icon\source\7\75b6bfeacda5aa251eae032f38d7357f820e4fd9.webp)
arxiv：2311.17084v2 [cs.cv] 2024年11月25日
使用单镜相机完成3D语义场景完成的任务在自动驾驶领域受到了极大的关注。此任务旨在预测部分图像输入中3D场景中每个体素的现场状态和语义标签。尽管存在许多方法，但许多人都面临着诸如不准确预测对象形状和错误分类对象边界的挑战。为了解决这些问题，我们提出了Depthssc，这是一种仅使用单眼摄像机完成语义场景的高级方法。DEPTHSSC与几何感知体素化（GAV）集成了SpaTial变换图融合（ST-GF）模块，从而使Voxel分辨率的动态调整能够适应3D空间的几何复杂性。这确保了空间和深度信息之间的精确比对，从而有效地减轻了诸如对象边界畸变和以前方法中发现的深度不正确感知之类的问题。对Semantickitti和sscbench-Kitti-360数据集的评估表明，DepthSSC不仅有效地捕获了复杂的3D结构细节，而且还可以实现最先进的性能。