XiaoMi-AI文件搜索系统
World File Search System分辨
增强型生成对抗网络，用于 3D 脑 MRI 超分辨率
用于磁共振成像 (MRI) 的单图像超分辨率 (SISR) 重建引起了人们的极大兴趣，因为它不仅可以加快成像速度，还可以改善可用图像数据的定量处理和分析。生成对抗网络 (GAN) 已被证明在图像恢复任务中表现良好。在这项工作中，我们遵循 GAN 框架并开发了一个与鉴别器相结合的生成器来解决 T1 脑 MRI 图像上的 3D SISR 任务。我们开发了一种新颖的 3D 内存高效的残差密集块生成器 (MRDG)，其在 SSIM（结构相似性）、PSNR（峰值信噪比）和 NRMSE（归一化均方根误差）指标方面实现了最先进的性能。我们还设计了一个金字塔池化鉴别器 (PPD) 来同时恢复不同尺寸尺度上的细节。最后，我们引入了模型混合，这是一种简单且计算效率高的方法，可以平衡图像和纹理
低分辨率面部表达识别的硬样品感知一致性
面部表达识别（FER）在计算机视觉应用中起着关键作用，包括视频不存在和人类计算机的相互作用。尽管FER的进展没有局部进步，但在处理在现实世界情景和数据集中遇到的低分辨率面部图像时，性能仍然会摇摆不定。一致性约束技术引起了人们的关注，以产生强大的卷积神经网络模型，从而通过增强来适应变化，但它们的功效在低分辨率FER的领域中得到了影响。这种性能下降可以归因于网络难以提取表达特征的增强样本。在本文中，我们确定了在考虑各种程度的分辨率时引起过度拟合问题的硬样品，并提出了新颖的硬样品感知一致性（HSAC）损失函数，其中包括组合注意力同意和标签分布学习。通过结合高分辨率和翻转低分辨率图像的激活图，将注意力图与适当的目标注意图与适当的目标注意图与适当的目标注意力图相结合的注意图与适当的目标注意力图的注意力图对齐。我们通过结合原始目标和高分辨率输入的预测来测量低分辨率面部图像的分类难度，并适应标签分布学习。我们的HSAC通过有效管理硬样品来赋予网络能够实现概括。各种FER数据集上的广泛实验证明了我们提出的方法比现有方法的多尺度低分辨率图像的优越性。此外，我们在原始RAF-DB数据集中达到了90.97％的最新性能。
单光子激光元的分辨率限制-CVF Open Access
单光子光检测和范围（LIDAR）系统通常配备一系列检测器，以提高空间分辨率和传感速度。但是，考虑到激光跨场横跨场景产生的固定量磁通量，当更多像素在单位空间中堆积时，每像素信号到噪声（SNR）将减小。这在传感器阵列的空间分辨率与每个像素的SNR之间的空间分辨率之间提出了基本的权衡。探索了这种基本限制的理论表征。通过得出光子竞争统计量并引入一系列新的近似技术，得出了时间延迟的最大样品估计器的平均平方误差（MSE）。理论预测与模拟和实际数据良好。
MR图像超级分辨率与挤压和激发推理注意力网络
高质量的高分辨率（HR）磁共振（MR）图像提供了更详细的信息，可用于可靠的诊断和定量图像分析。深度综合神经网络（CNN）显示出低分辨率（LR）MR图像的MR图像超分辨率（SR）的有希望的Abil。LR MR图像通常具有一些vi-Sual特征：重复模式，相对简单的结构和信息较少的背景。大多数以前的基于CNN的SR方法同样处理空间像素（包括背景）。他们也无法感知输入的整个空间，这对于高质量的MR IMPIMSR至关重要。为了解决这些问题，我们提出了挤压和激发推理注意网络（SERAN），以获得MR Image SR。我们建议从输入的全球空间信息中挤出注意力，并获得全球描述符。这样的全球描述符增强了网络专注于MR图像中更具信息区域和结构的能力。我们在这些全球描述符之间进一步建立了关系，并提出了引起关注的原始关系。全球描述符将以学习的关注进一步确定。为了充分利用汇总信息，我们通过学习的自适应注意向量自适应地重新校准了特征响应。这些注意向量选择一个全局描述符的子集，以补充每个空间位置以进行准确的细节和纹理重新分解。我们通过残留的缩放提出挤压和激发注意力，这不仅可以稳定训练，而且还使其对其他基本网络的灵感变得非常灵活。广泛的例证显示了我们提出的Seran的有效性，该塞伦在定量和视觉上清楚地超过了基准标记的最新方法。
disgan：信息信息的歧视器将GAN引导到MRI超分辨率，并清洁噪声
MRI超级分辨率（SR）和Denoising任务是深度学习领域的挑战，传统上被视为具有分隔的配对培训数据的不同任务。在本文中，我们提出了一种创新的方法，该方法使用单个深度学习模型同时解决这两个任务，从而消除了在培训期间对明确配对嘈杂和干净的图像的需求。我们提出的模型主要是针对SR训练的，但在超级分辨图像中也表现出显着的噪声清洁功能。而不是将与频率相关操作引入常规过程的常规方法，我们的新方法涉及使用以频率信息歧视器为指导的GAN模型。为了实现这一目标，我们利用3D离散小波变换（DWT）操作的功率作为GAN框架内的频率结合，用于磁共振成像（MRI）数据的SR任务。特别是我们的分配包括：1）基于残差 - 残基连接块的3D发电机； 2）将3D DWT与1×1卷积的3D DWT集成到3D UNET内的DWT+CORV单元中； 3）训练有素的模型用于高质量的图像SR，并伴随着Intrinsic denoising过程。我们将模型“ deno诱导的超分辨率gan（disgan）”配音，原因是其对SR图像产生和同时降解的双重影响。与传统的培训SR和Deno Task作为单独模型的传统方法背道而驰，我们提出的disgan仅受到SR任务的培训，但在DeNoising方面也取得了出色的表现。我们的代码可用 -该模型经过了来自人类连接组项目（HCP）的数十个受试者的3D MRI数据的培训，并对先前看不见的MRI数据进行了进一步评估，这些MRI数据来自患有脑肿瘤和癫痫的受试者，以评估其denosis和SR性能。
混合0D锑卤化物作为高空间分辨率远程热摄影的空气稳定发光体
上个世纪的快速技术进步导致温度传感领域中带来了新的Challenges。准确，遥远，无接触式和实时微观和纳米级的温度映射在细胞成像，微流体和纳米流体以及集成电路设计中的需求巨大，[1-11]中，这些严格的要求需要使用光学方法。这些通常分为三个主要的猫：红外（IR）隆期，IR直接检测和远程光学/荧光热量表。，由于其出色的热分辨率（10-1 K），其中最常见的是IR射量方法，例如在商业设备中发现的方法。然而，要检测到的黑体辐射的长红外波长导致室内温度（RT）对象的固有低空间分辨率为≈10µm，这是由于abbe差异的限制所期望的。对IR光的检测也遭受了由于吸收而缺乏与广泛的光学成分相兼容。[12,13]或者，在可见区域中运行的远程光学方法，例如，通过测量荧光强度或衰减时间，[14]达到了很高的热分辨率，并且可能由于较低的衍射极限而有可能提供较高的空间分辨率，并且在常见媒体（例如水和玻璃）中透明度。[13,15,16]基于强度的量化，由于光散射（样品拓扑，磷光粒子形态等）而容易出现错误。），不均匀的磷光器分布，非态磷光物种形成或批处理变异性等。虽然基于荧光时代的热量成像是继承了许多此类局限性，但其部署通常会因适合特定应用的特定要求的磷剂的可用性而受到阻碍。我们的本文提出的研究涉及在RT周围温度下在温度下进行高空间和热分辨率热图形的新型热液少量探索。在这种情况下，我们发现已知的热燃料载体，即有机染料，聚合物，量子点，稀有掺杂的金属氧化物，[17-25]面临限制，例如材料制造或薄膜沉积，耐用性和健壮性的耐用性和稳健性的耐磨性，或者不适合特定范围的特定方法或常见的特定方法。
AI.CAIDfA 分辨率 Na o2 -2o24-ArmGsco
根据国家政治宪法第194条的规定，结合第27972号法律第11个预备标题《市政组织法》，地方政府在其管辖范围内的事务中享有政治、经济和行政自治权，这种自治权基于依法行使政府、行政和管理行为的权力。
材料动态过程的时间分辨断层扫描
层析成像是分析内部成分排列的一种方法。医学可能是利用这种方法并推动其发展的最著名学科。[1–3] 然而，层析成像也已应用于其他研究领域，如材料科学[4,5]、生物学[6]、考古学[7]甚至流体动力学[8]，并且在工业领域也越来越受到认可，例如用于质量控制[9]或无损检测[10]。图像采集与实时重建算法[11]、高级图像分析[12]、特征分割和识别分析算法[13,14]与现代机器学习工具[15,16]的结合增强了这种方法的潜力。如今，实验室扫描仪普及且功能强大，受益于改进的空间和时间分辨率，尽管尖端实验仍然局限于高亮度同步加速器和X射线自由电子激光器。可以在极短的时间内获得高空间分辨率。[17,18] 对高空间和时间分辨率、大视野和高总记录时间的需求意味着目标的冲突。文献中概述了不同设备可用的实际速度和分辨率。[19–21]
用于医学图像超分辨率的多模态多头卷积注意
超分辨率医学图像可帮助医生提供更准确的诊断。在许多情况下，计算机断层扫描 (CT) 或磁共振成像 (MRI) 技术在一次检查期间会捕获多个扫描 (模式)，这些扫描 (模式) 可以联合使用 (以多模态方式) 来进一步提高超分辨率结果的质量。为此，我们提出了一种新颖的多模态多头卷积注意模块来超分辨率 CT 和 MRI 扫描。我们的注意模块使用卷积运算对多个连接的输入张量执行联合空间通道注意，其中核 (感受野) 大小控制空间注意的减少率，卷积滤波器的数量控制通道注意的减少率。我们引入了多个注意头，每个头具有不同的感受野大小，对应于空间注意的特定减少率。我们将多模态多头卷积注意力 (MMHCA) 集成到两个深度神经架构中以实现超分辨率，并对三个数据集进行了实验。我们的实证结果表明，我们的注意力模块优于超分辨率中使用的最先进的注意力机制。此外，我们进行了一项消融研究，以评估注意力模块中涉及的组件的影响，例如输入的数量或头部的数量。我们的代码可在 https://github.com/lilygeorgescu/MHCA 免费获取。
移动 NPU 上的实时量化图像超分辨率，移动 AI 2021 挑战赛：报告
图像超分辨率是最流行的计算机视觉问题之一，在移动设备上有许多重要的应用。虽然已经为这项任务提出了许多解决方案，但它们通常甚至没有针对常见的智能手机 AI 硬件进行优化，更不用说通常仅支持 INT8 推理的更受限的智能电视平台了。为了解决这个问题，我们推出了第一个移动 AI 挑战赛，其目标是开发一种基于端到端深度学习的图像超分辨率解决方案，该解决方案可以在移动或边缘 NPU 上展示实时性能。为此，为参与者提供了 DIV2K 数据集和训练过的量化模型，以进行高效的 3 倍图像升级。所有模型的运行时间都在 Synaptics VS680 智能家居板上进行评估，该板具有能够加速量化神经网络的专用 NPU。所提出的解决方案与所有主流移动 AI 加速器完全兼容，能够在 40-60 毫秒内重建全高清图像，同时实现高保真度结果。本文提供了挑战赛中开发的所有模型的详细描述。