XiaoMi-AI文件搜索系统
World File Search System图像退化
用各向异性...
随着AI生成内容的应用程序（例如Chatgpt和稳定的扩散）的开花，已经对深层生成模型引起了很多关注。扩散概率模型（DPM）是一种创新的图像生成模型，灵感来自热力学中的扩散现象，具有稳定的训练过程和简单的模型结构。然而，基于DPM的图像一代中的一个重要挑战是通过结构，布局和颜色约束来控制输出。当前的方法主要集中于在生成过程中引入额外的分类器或在培训过程中添加条件，这仍然遭受诸如不稳定的生成产出和高培训成本之类的问题。为了探索更好的控制策略，在本论文中，我们提出了一个具有前回溯框架的具有结构的图像生成模型。各向异性扩散[1]将是向前图像退化过程的骨干，条件流匹配方法[2]将用于逆转该过程并生成新图像。各向异性的特性使该模型可以在破坏过程中保留边缘和一般结构，从而可以将几何信息作为条件引入图像生成。
ru-slam：稳健的深度学习视觉同时定位和映射（SLAM）系统，用于弱质地的水下环境
摘要：准确且健壮的同时定位和映射（SLAM）系统对于自动水下车辆（AUV）至关重要，可以在未知环境中执行任务。然而，直接将基于深度学习的SLAM方法应用于水下环境会带来挑战，这是由于纹理较弱，图像退化以及无法准确注释关键点的挑战。在本文中，提出了强大的深入学习视觉大满贯系统。首先，一个名为UWNET的功能生成器旨在解决弱纹理和图像降解问题，并提取更准确的关键点功能及其描述符。此外，基于改进的水下成像物理模型以自我监督的方式训练网络的知识蒸馏概念。最后，将UWNET集成到ORB-SLAM3中以替换传统的特征提取器。提取的本地和全局特征分别用于特征跟踪和闭环检测模块。公共数据集和自收集的池数据集的实验结果验证了所提出的系统在复杂方案中保持高精度和鲁棒性。
学习小对象检测的区分功能...
总结要解决诸如小目标大小，目标特征模糊以及在小物体检测中区分目标和背景的困难之类的挑战，我们提出了一种基于多尺度图像降级的方法，结合了对比度学习模型。通过利用对比度学习技术，我们的方法旨在赋予准确区分对象和背景所需的判别特征。要专门针对小物体，我们将目标样本靶向各种多尺度图像降解模式，然后才能将它们置于对比度学习模型中。然后将增强技术应用于这些退化的样品，以促进有效的对比特征学习。因此，该模型可以更好地揭示小目标和背景之间的差异，从而提高小物体检测性能。此外，考虑到空间域特征对图像的局部变化敏感，而频域特征对全球结构变化敏感，我们的方法涉及空间和频域中的对比度学习模型，旨在为小对象检测获得更强大的功能。在MS可可数据集和Visdrone2019数据集上进行的广泛实验验证了我们提出的方法在显着提高小物体检测准确性方面的有效性。关键词：小对象检测，对比度学习，双域网络，多尺度图像退化