XiaoMi-AI文件搜索系统
World File Search System噪声成分
通过图卷积和可逆神经网络对潜在空间中的点云进行去噪
点云经常包含噪声和异常值，为下游应用带来障碍。在本文中，我们介绍了一种新颖的点云去噪方法。通过利用潜在空间，我们明确地发现噪声成分，从而可以提取干净的潜在代码。这反过来又有助于通过逆变换恢复干净点。我们网络中的一个关键组件是一个新的多层图卷积网络，用于捕获从局部到全局各个尺度的丰富几何结构特征。然后将这些特征集成到可逆神经网络中，该网络双射映射潜在空间，以指导噪声解缠结过程。此外，我们使用可逆单调算子来模拟变换过程，有效地增强了集成几何特征的表示。这种增强使我们的网络能够通过将噪声因素和潜在代码中的内在干净点投影到单独的通道上来精确区分它们。定性和定量评估均表明，我们的方法在各种噪声水平下都优于最先进的方法。源代码可在 https://github.com/yanbiao1/PD-LTS 获得。
决策分析杂志
运动伪影会降低脑电图 (EEG) 信号中的信息质量。在本研究中，我们开发了一种有效的方法，通过使用经验小波变换 (EWT) 技术来减轻 EEG 信号中的运动伪影。首先，我们将 EEG 信号分解为称为固有模式函数 (IMF) 的窄带信号。这些 IMF 经过进一步处理以抑制伪影。在我们的第一种方法中，采用主成分分析 (PCA) 来抑制这些分解后的 IMF 中的噪声。在第二种方法中，使用方差测量识别具有噪声成分的 IMF，然后将其去除以获得伪影抑制的 EEG 信号。我们的实验是在公开的 Physionet EEG 信号数据集上进行的，以证明我们的方法在抑制运动伪影方面的有效性。更重要的是，基于 IMF 方差的方法比基于 EWT-PCA 的方法提供了更好的性能。此外，基于 IMF 方差的方法在计算上比基于 EWT-PCA 的方法更有效。我们提出的基于 IMF 方差的方法实现了 28.26 dB 的平均信噪比 (𝛥 SNR)，并且超越了现有的运动伪影去除方法。
基于扩散概率模型的医学图像分割
扩散概率模型 (DPM) 近期成为计算机视觉领域最热门的话题之一。其图像生成应用（如 Imagen、潜在扩散模型和稳定扩散）已展示出令人印象深刻的生成能力，引发了社区的广泛讨论。此外，许多近期研究发现 DPM 可用于多种其他视觉任务，包括图像去模糊、超分辨率和异常检测。受 DPM 成功的启发，我们提出了 MedSegDiff，这是第一个基于 DPM 的用于一般医学图像分割任务的模型。为了增强用于医学图像分割的 DPM 中的逐步区域注意力，我们提出了动态条件编码，它为每个采样步骤建立状态自适应条件。此外，我们提出了特征频率解析器 (FF-Parser) 来消除此过程中高频噪声成分的负面影响。我们在三种不同图像模态的医学分割任务上验证了 MedSegDiff 的有效性，包括眼底图像上的视杯分割、MRI 图像上的脑肿瘤分割和超声图像上的甲状腺结节分割。我们的实验结果表明，MedSegDiff 的表现比最先进的 (SOTA) 方法有相当大的性能差距，证明了所提模型的泛化和有效性。关键词：扩散概率模型、医学图像分割、脑肿瘤、视杯、甲状腺结节
使用自调节优化卡尔曼滤波器对时变脑网络进行建模
脑网络是复杂的动态系统，其中不同区域之间的定向相互作用在感觉、认知和运动过程的亚秒级尺度上发展。然而，由于神经信号及其未知噪声成分的高度非平稳性质，动态脑网络建模仍然是当代神经科学的主要挑战之一。在这里，我们提出了一种基于卡尔曼滤波器创新公式的新算法，该算法经过优化，可在未知噪声条件下跟踪快速发展的定向功能连接模式。自调节优化卡尔曼滤波器 (STOK) 是一种新型自适应滤波器，它嵌入自调节记忆衰减和递归正则化，以确保高网络跟踪精度、时间精度和对噪声的鲁棒性。为了验证所提出的算法，我们在现实替代网络和真实脑电图 (EEG) 数据中与经典卡尔曼滤波器进行了广泛的比较。在模拟和真实数据中，我们都表明 STOK 滤波器估计定向连接的时间频率模式具有显著优越的性能。STOK 滤波器的优势在真实 EEG 数据中更加明显，其中该算法从大鼠的颅脑 EEG 记录和人类视觉诱发电位中恢复了动态连接的潜在结构，与已知生理学高度一致。这些结果确立了 STOK 滤波器是模拟生物系统中动态网络结构的强大工具，有可能对大脑功能产生的网络状态的快速演变产生新的见解。
汇率脱钩再探
在大多数国际宏观经济模型中，实际汇率（即各国消费的相对价格）在清算实际商品和金融资产市场中发挥着至关重要的作用。因此，模型通常表明汇率与各国宏观经济量、实际利率和经济中其他资产价格的差异紧密相关。然而，数据表明，汇率与这些宏观基本面基本上“脱节”：实际汇率与当前和过去的宏观量（例如 Meese 和 Rogoff ( 1983 )、Engel 和 West ( 2005 )）或利率（例如 Fama ( 1984 )）几乎没有相关性，同时又出人意料地波动（例如 Rogoff ( 1996 )）。大量研究试图了解在均衡模型中什么可能产生这些风格化的事实，然而，很少有直接的实证证据表明数据中是什么导致了这种脱节。在本文中，我们放弃间接结构推断，尝试以模型不可知的方式揭示汇率波动的主要实证驱动因素。我们的主要发现是，有关未来全要素生产率的噪声新闻占实际汇率和宏观经济变量整体变化的一半以上，但汇率的影响会导致宏观经济受到影响，从而导致在无条件查看数据时出现明显的“脱节”。我们将这些噪声新闻分解为正交扰动（i）部分预期的未来生产率实际变化和（ii）预期“噪声”扰动，这些扰动会改变预期，但永远不会在实际生产率中实现。我们发现对这两个扰动的条件响应产生了许多著名的“汇率之谜”，这表明众所周知的异常现象在未来全要素生产率的噪声新闻中具有共同的根本起源。此外，我们估计的相当大的预期噪声成分有助于我们理解汇率与未来全要素生产率之间的这种联系是如何被先前未控制噪声的实证分析所掩盖的。我们的分析分两步进行。首先，我们寻求与数据中汇率意外变化相关的基本联动模式的不可知论描述。为此，我们遵循 Uhlig（2003）的 VAR 程序来恢复一组按其在解释汇率变化中的重要性排序的正交简化形式冲击。我们发现，第一个冲击——对汇率波动最重要的冲击——解释了三分之二的汇率变化和大约 40% 的宏观总量变化。然而，虽然冲击会立即影响汇率，但其对消费、产出和全要素生产率等宏观经济量的影响是延迟的。因此，这种冲击只会产生