XiaoMi-AI文件搜索系统
World File Search System图像失真
无图像失真的透明可拉伸基材显示了下一代显示的潜力
使用迷你领导的设备和SIBS基板上的印刷图像的原始和剪切的SIBS膜之间垂直失真和变形差异的可视化。a）未拉伸设备的照片，d）印刷图像； b）设备和e）原始SIBS基板上的印刷图像伸展50％。c）设备和f）在剪切的SIBS基板上打印的图像伸展50％。（a – c）中的白色比例尺和（d – f）中的黑色比例尺每个代表1 cm。信用：高级材料（2024）。doi：
反射式全息图技术微型应用研究
微型全息图经常以金字塔形状用于展览。但对各种形状的全息图的研究却很少。本研究旨在了解反射浮动全息图技术应用的微型全息图的形状。通过分析浮动全息图类型，旨在验证反射型浮动全息图是否适合微型全息图的实现，并研究适合的非金字塔形状的反射微型全息图类型。除了经常用于展览的金字塔形全息图外，作者还研究了圆锥、半球和圆柱形全息图，并将它们形成垂直结构以支持显示图像的屏幕的扩展。反射型全息图在过去存在光散射问题，但通过在屏幕上附加偏振滤光片，光散射的影响被最小化。垂直型全息图会根据观看者的视角导致图像失真。将来，如果能够将图像失真最小化，就有可能实现扩展形状。关键词
预测 B0 场中与运动相关的动态变化...
在快速 MRI 成像中，B 0 不均匀性会导致非线性图像失真（例如，对于 EPI）或图像模糊（例如，对于螺旋采集）。5 对于 CEST，B 0 不均匀性会引起频率偏移 6 ，这会导致量化中的系统误差。体内 MRI 检查对受试者的运动很敏感。那些具有长 MRI 序列或重复次数较多的 MRI 检查尤其容易受到受试者运动的影响。7,8 受试者位置的变化不仅经常通过 k 空间不同部分之间的不一致直接导致运动伪影，而且还会通过由位于磁化率差异很大的组织（例如脑组织、骨组织和空气）之间的磁化率界面处的源引起的局部场扰动的位置变化导致 B 0 场的均匀性降低而间接导致运动伪影。9,10
预测 B0 场中与运动相关的动态变化...
在快速 MRI 成像中，B 0 不均匀性会导致非线性图像失真（例如，对于 EPI）或图像模糊（例如，对于螺旋采集）。5 对于 CEST，B 0 不均匀性会引起频率偏移 6 ，这会导致量化中的系统误差。体内 MRI 检查对受试者的运动很敏感。那些具有长 MRI 序列或重复次数较多的 MRI 检查尤其容易受到受试者运动的影响。7,8 受试者位置的变化不仅经常通过 k 空间不同部分之间的不一致直接导致运动伪影，而且还会通过由位于磁化率差异很大的组织（例如脑组织、骨组织和空气）之间的磁化率界面处的源引起的局部场扰动的位置变化导致 B 0 场的均匀性降低而间接导致运动伪影。9,10
使用 SmartScan 进行智能成像
通常用于卫星地球观测的相机在图像采集过程中需要较高的姿态稳定性。对于某些类型的相机（尤其是高分辨率“推扫式”扫描仪），即使不到一弧秒的瞬时姿态变化也会导致严重的图像失真和模糊。动量轮和反作用轮、机械激活的冷却器以及机载转向和部署机制产生的微冲击和振动会导致高频姿态变化，这尤其成问题。地球观测卫星对姿态稳定性的要求很高，这是其复杂性和高成本的主要原因之一。新颖的 SmartScan 成像概念基于没有移动部件的光电系统，有望在卫星姿态稳定性适中的情况下实现高质量成像。SmartScan 在帧采集期间实时记录相机焦平面上的实际图像运动，以纠正图像中的失真。创新的高速机载光电相关处理器提供了出色的实时性能和亚像素精度的图像运动测量。因此，SmartScan 将允许推扫式扫描仪用于卫星和其他主要不用于成像任务的空间平台的高光谱成像，例如具有简化姿态控制、低轨道通信的微型和纳米卫星。
磁共振引导聚焦新型头部固定装置的设计
b 弗吉尼亚大学生物医学工程系，本科摘要聚焦超声 (FUS) 是一种新兴的非侵入性技术，为治疗多种神经系统疾病（如特发性震颤和多形性胶质母细胞瘤 (GBM)）提供了一种替代方法。FUS 已被证明可以以安全和有针对性的方式破坏 BBB，然而，用于该过程的头部固定装置最初是为放射外科设计的。为此，研究小组提议开发一种用于 FUS 应用的新型头架。该设计的创建基于以下重要的总体目标：1) 减少设计笨重以最大限度地减少图像失真，2) 增加 BBBO 治疗范围，3) 最大限度地提高患者的舒适度。使用计算机辅助设计 (CAD) 软件 Fusion 360 创建设计迭代，然后 3D 打印并组装最终设计以创建原型。使用 Fusion 360 对框架进行有限元分析 (FEA)，以确定安全系数和在变形前可施加到设备前部旋转旋转螺钉上的最大力。对新型头架原型进行了静态应力有限元分析，平均固定扭矩为 0.348 Nm，最大固定扭矩为 0.522 Nm。结果显示，最大力为 273.1 MPa，安全系数为 1.0，最大力为 409.7 MPa，安全系数为 0.67。关键词：FUS、BBBO、GBM、立体定向头架、FEA
运动结构摄影测量和无人机/无人机技术的河流和水生应用
运动结构 (SfM) 近来在河流和水生科学中迅速流行起来。这种流行在很大程度上要归功于廉价无人机/无人驾驶飞机的广泛使用，它们有助于缓解地形挑战并提供高效、可重复和高精度的图像和地形数据。这些数据可以具有前所未有的时空覆盖范围，包括河流和水生地形、水力学、地貌和栖息地质量的测量。SfM 数据还提供了水下考古、结构和水生生物的全新量化。研究正在从地形测量的概念验证转向真正的应用，包括粒度测绘、水深测量、地貌测绘、植被测绘、恢复监测、栖息地分类、地貌变化检测和沉积物输送路径描绘。将点云分析和正射影像镶嵌图与数字高程模型 (DEM) 相结合已被证明可以有效地提供对河流和水生系统的新过程理解。水下和水下研究开始克服可访问性、可见性和图像失真的问题。档案照片和视频（水上和水下）正在使用 SfM 工作流程进行重新处理，以根据历史调查生成三维表面和物体，从而延长可以检测到变化的时间段。最近，已经开发了 SfM 工作流程
基于深度学习的扩散 MRI 脑组织分割
从扩散磁共振成像 (dMRI) 中分割脑组织类型是一项重要任务，有助于量化脑微结构并改进纤维束成像。当前的 dMRI 分割主要基于注册到 dMRI 空间的解剖 MRI (例如 T1 和 T2 加权) 分割。然而，与解剖 MRI 相比，dMRI 中的图像失真更多且图像分辨率更低，因此这种模态间配准具有挑战性。在本研究中，我们提出了一种用于扩散 MRI 分割的深度学习方法，我们将其称为 DDSeg。我们提出的方法从来自人类连接组计划 (HCP) 的高质量图像数据中学习组织分割，其中解剖 MRI 与 dMRI 的配准更为精确。然后，该方法能够直接从新的 dMRI 数据（包括使用不同采集协议收集的数据）预测组织分割，而无需解剖数据和模态间配准。我们训练卷积神经网络 (CNN) 来学习组织分割模型，使用一种新颖的增强目标损失函数来提高组织边界区域的准确度。为了进一步提高准确度，我们的方法将表征非高斯水分子扩散的扩散峰度成像 (DKI) 参数添加到传统的扩散张量成像参数中。DKI 参数是根据最近提出的平均峰度曲线方法计算得出的，该方法可以校正不合理的 DKI 参数值并提供区分组织类型的附加特征。我们在 HCP 数据上展示了较高的组织分割准确度，并且在将 HCP 训练模型应用于来自其他采集的分辨率较低且梯度方向较少的 dMRI 数据时也表现出较高的组织分割准确度。
使用云台机制进行自主无人机应用的主动对象检测和跟踪
摘要：对象识别，本地化和跟踪在计算机视觉应用中起着原始重要性的作用。但是，这仍然是一项极其艰巨的任务，尤其是在需要使用快速移动的无人机需要实时操作的对象的情况下。通常，这些基于视觉的系统的性能受到运动模糊和几何扭曲的影响，仅举两个问题。gimbal系统对于补偿运动模糊并确保视觉流稳定至关重要。在这项工作中，我们使用安装在无人机上的三级式（DOF）gimbal系统研究了主动跟踪方法的优势。提出了一种利用关节运动和视觉信息实时跟踪球形和平面对象的方法。跟踪方法在两个不同的逼真的凉亭仿真环境中进行了测试和评估：3D位置跟踪（球形）的第一个，第二个是6D姿势（平面基准标记）的第二个。我们表明，主动对象跟踪对于无人机应用是有利的，首先是通过减少动作模糊，这是由快速摄像机运动和振动引起的，其次，通过将感兴趣的对象固定在视场的中心内，从而减少了由于外围畸变而引起的重新投射错误。与传统的被动方法相比，结果表明有效的物体估计精度提高了主动方法的精度。更具体地说，一组实验表明，在具有挑战性的运动模式的条件下，在图像失真的情况下，主动的万日跟踪可以提高已知大小移动对象的空间估计精度。
演示：自动驾驶中的交通信号识别的无形对抗条纹
隐身光学对抗性示例攻击，利用了凸轮的滚动快门效果，以欺骗自动驾驶汽车中的交通标志识别。互补的金属氧化物半导体（CMOS）传感器在汽车摄像机中广泛采用[1，2]。他们通常从上到下透露并读出像素值。但是，CMOS摄像机表现出滚动快门效果（RSE）[4]。具体来说，当CMOS传感器的每一行暴露在略有不同的时间时，输入光的快速变化会通过扫描线的各种颜色阴影引起图像失真。重新研究[6-8]已经显示了RSE的安全性含义，即攻击者可以控制输入光，以在捕获的图像上创建彩色条纹，以误导计算机视觉解释。然而，尽管以前的研究已经在受控环境中实现了单帧的基本rse，但它们无法通过一系列框架实现稳定的攻击结果[5]。GhostStripe旨在实现稳定的攻击结果，从而在自主驾驶环境中更清晰的安全含义。首先，它在交通标志附近部署LED，将受控的闪烁光投射到标志上。由于闪烁的频率超过了人眼的感知极限，因此它仍然是看不见的，使LED显得良性。同时，由摄像机误导了交通标志识别的RSE引起的彩色条纹。没有这种稳定性，异常检测器可能会触发故障机制，从而确定攻击的有效性。1。第二，为了误导自主驾驶计划以在不知不觉中进行错误的决定，交通符号识别结果应该是错误的，并且在足够的连续框架之间相同。随着车辆的移动，摄像机视野中包含标志（FOV）变化的签名的位置和大小变化，需要攻击才能适应摄像机操作和车辆运动，以稳定地覆盖条纹，如图所示。为了实现这一目标，GhostStripe根据受害者的实时感知结果来控制LED闪烁