XiaoMi-AI文件搜索系统
World File Search System扩散过程
探空气球上升建模：推导……
摘要。提出了一种新模型，以描述对流层和较低平流层中声音气球的上升（高度约为30–35 km）。与以前的模型相反，详细说明了拖动系数的变化，并且气球和大气之间的热量不平衡。为了补偿缺乏声音气球的阻力系数的数据，对拖动系数和雷诺数之间关系的参考曲线是从Lindenberg上空空气方法相互比较（Luami）竞选期间启动的流量数据集中得出的。通过溶解气球内的径向热扩散方程来解释从周围空气中的热量转移到气球中。在目前的状态下，该模型不考虑太阳能电源，即只能描述夜间气球的上升。但是，它也可以改编成代表白天的声音，其太阳辐射将其模型为扩散过程。该模型的潜在应用包括声音气球轨迹的预测，可用于提高匹配技术的准确性以及空气垂直速度的推导。通过在模型中从实际提升速率中计算出的静态空气中的气球的上升速率来获得latter。该技术可提供垂直空气运动的近似值，在对流层中的不确定性误差为0.5 m s -1，在平流层中为0.2 m s -1。提供了空气垂直速度的提取
安全SIM：安全至关重要的闭环交通...
评估自动驾驶汽车计划算法的性能需要模拟长尾安全性 - 关键的交通情况。但是，产生此类情况的传统方法通常在收获和现实主义方面缺乏，而忽略了代理相互作用的动态。为了减轻这些局限性，我们引入了SAFE -S IM，这是一种新型基于扩散的可控闭环安全 - 关键模拟框架。我们的方法产生了两个不同的优势：1）逼真的长尾安全至关重要方案的产生，这些场景紧密模仿了现实世界的条件，以及2）增强了可控性，从而实现了更全面和更互动的评估。我们开发了一种新颖的方法，可以通过在剥夺过程中的对抗性术语模拟安全 - 关键情景，这使对抗者能够以合理的操作来挑战计划者，而现场的所有特工都表现出反应性和现实的行为。此外，我们提出了新颖的指导目标和部分扩散过程，使用户能够控制生成的场景的关键方面，例如碰撞类型和对抗驱动程序的侵略性，同时保持行为的现实主义。我们使用Nuscenes数据集凭经验进行了验证框架，并证明了现实主义和控制性的改进。这些发现肯定，扩散模型为关键的关键性，主动交通模拟提供了强大而多才多艺的基础，从而扩展了其效用，使其在更广泛的自动驾驶范围内扩展。
结构保留了神经退行性疾病的数值建模的多面不连续的盖金方法
抽象的许多神经退行性疾病与错误折叠的Prionic proins的传播有关。在本文中，我们分别分析了与帕金森氏症和阿尔茨海默氏病有关的α-羟基核蛋白和淀粉样蛋白β的错误折叠和扩散过程。我们引入并分析了一种阳性的数值方法，用于离散Fisher-Kolmogorov方程，建模积累和Prionic蛋白的扩散。提出的近似方法基于关于多边形和多面体网格的不连续的Galerkin方法，用于空间离散化和ϑ - 方法时间积分方案。我们证明了离散解决方案的存在和一个收敛结果，其中使用隐式欧拉方案进行时间整合。我们表明，所提出的方法是在结构上提供的，从某种意义上说，它可以保证离散解决方案是非负的，这在实际应用中至关重要。我们的数值模型的数字验证既是使用制成的解决方案，又是考虑二维多边形网格中的波前传播。接下来，我们提出了在矢状平面中二维脑切片中扩散的α-突触核蛋白的模拟。该模拟的多边形网格被凝聚为维持白色和灰质的区别，利用了polydg方法在网格结构中的灵活性。我们的数值模拟证实了所提出的方法能够捕获帕金森氏症和阿尔茨海默氏病的演变。最后，我们通过使用从磁共振图像重建的三维几何形状和从正电子发射断层扫描重建的初始条件来模拟淀粉样蛋白β在患者特异性设置中的扩散。
润湿性工程用于研究二维层状材料中的离子传输
研究二维材料时，一种常见的方法是将它们支撑在固体基底表面上。在这种情况下，如果要按需插入离子，即通过某种控制机制，则必须使离子与电解质接触。二维材料中特定离子相对于对电极的化学势差为离子插入提供了可控的驱动力。尽管基底本身可以充当固态电解质，例如离子导电玻璃陶瓷，[10–12] 但支撑二维材料层之间的离子插入可能会受到阻碍，因为有效插入通常通过边缘或缺陷位进行。从顶部涂抹电解质时更有可能覆盖这些位置——这种方法近年来被广泛使用，主要用于静电门控。 [13,14] 为了系统地解决离子插入和传输问题，将电解质与 2D 材料以图案化方式整合在一起非常重要，例如，对离子扩散过程施加方向性。这主要是样本大小和图案分辨率问题，在 100 µm 及以上的规模上可以解决，例如通过固态电解质的增材制造 [15] 或液态电解质的喷墨打印。[16–18] 目前，这些方法的局限性在于打印分辨率以及电解质的机械性能。因此，粘稠电解质或离子凝胶更容易打印，[16] 而一系列低粘度电池级电解质（如碳酸乙烯酯/碳酸二乙酯中的 LiPF 6）则不然。这些电解质往往很容易润湿样品的大部分表面，必须
用于研究2D层次材料的离子传输的可润湿性工程
要研究2D材料，一种共同的途径是在固体基板的表面上支撑它们。在这种情况下，如果要按需插入离子，即通过某种控制机制，则必须与电解质接触。相对于计数器电极，给定的2D材料中给定的离子物种的化学潜力差异为离子插入的驱动力提供了可以控制的驱动力。尽管底物本身可以用作固态电解质，例如在离子导电玻璃陶瓷的情况下，[10-12]在受支持的2D材料的层之间插入离子插入可能会受到阻碍，因为通常有效地插入了通常通过边缘或缺陷站点进行有效插入。在从顶部施加电解质时，覆盖它们的可能性更大 - 近年来，这种方法主要用于静电门控。[13,14]为了以系统的方式插入和运输的目的解决，重要的是以图案化的方式将电解质与2D材料集成在一起，例如在离子扩散过程上强加方向性。这主要是样本量和模式分辨率问题，可以通过100 µm及以后的规模来解决，例如，通过固态电解质的添加剂制造[15]或通过对液体的喷墨打印。[16–18]这些方法的当前局限性是通过打印分辨率以及通过电解质的机械性能来设置的。这些往往很容易弄湿样品表面的大部分，必须因此，粘性电解质或离子 - 凝胶更直接地打印[16]，而一系列低粘度电池级电解质（例如碳酸乙酯/碳酸乙酯中的LIPF 6）不是。
伪内扩散模型
摘要 - 基于分数的扩散模型具有显着的生成深度学习，用于图像处理。调查条件模型也已应用于CT重建等反问题。但是，常规方法（最终以白噪声）需要大量的反向过程更新步骤和分数功能评估。为了解决这一局限性，我们提出了一个基于分数扩散模型的替代前进过程，该过程与低剂量CT重建的噪声特性一致，而不是收敛到白噪声。这种方法大大减少了所需的得分功能评估的数量，提高效率并维持放射科医生熟悉的噪声纹理，我们的方法不仅可以加速生成过程，而且还保留了CT噪声相关性，这是临床医生经常批评的深度学习重建的关键方面。在这项工作中，我们严格地为此目的定义了基质控制的随机过程，并通过计算实验对其进行验证。使用来自癌症基因组肝肝肝癌（TCGA-LIHC）的数据集，我们模拟了低剂量CT测量结果并训练我们的模型，将其与基线标量扩散过程和条件扩散模型进行了比较。我们的结果证明了我们的伪内扩散模型的优越性，并在质地上产生高质量重建的能力，这些重建在质地上熟悉的医学专业人员的得分函数评估较少。这一进步为医学成像中更有效和临床上的扩散模型铺平了道路，在需要快速重建或较低辐射暴露的情况下尤其有益。
结构保留了神经退行性疾病的数值建模的多面不连续的盖金方法
抽象的许多神经退行性疾病与错误折叠的Prionic proins的传播有关。在本文中，我们分别分析了与帕金森氏症和阿尔茨海默氏病有关的α-羟基核蛋白和淀粉样蛋白β的错误折叠和扩散过程。我们引入并分析了一种阳性的数值方法，用于离散Fisher-Kolmogorov方程，建模积累和Prionic蛋白的扩散。提出的近似方法基于关于多边形和多面体网格的不连续的Galerkin方法，用于空间离散化和ϑ - 方法时间积分方案。我们证明了离散解决方案的存在和一个收敛结果，其中使用隐式欧拉方案进行时间整合。我们表明，所提出的方法是在结构上提供的，从某种意义上说，它可以保证离散解决方案是非负的，这在实际应用中至关重要。我们的数值模型的数字验证既是使用制成的解决方案，又是考虑二维多边形网格中的波前传播。接下来，我们提出了在矢状平面中二维脑切片中扩散的α-突触核蛋白的模拟。该模拟的多边形网格被凝聚为维持白色和灰质的区别，利用了polydg方法在网格结构中的灵活性。我们的数值模拟证实了所提出的方法能够捕获帕金森氏症和阿尔茨海默氏病的演变。最后，我们通过使用从磁共振图像重建的三维几何形状和从正电子发射断层扫描重建的初始条件来模拟淀粉样蛋白β在患者特异性设置中的扩散。
基于扩散模型的协作过滤
最近的一项研究表明，扩散模型非常适合建模推荐系统中用户 - 项目相互作用的生成过程。但是，基于扩散模型的建议系统不会明确利用包含关键协作信号的高阶连接性，以获得准确的建议。解决这一差距，我们提出了一种新的基于扩散模型的协作过滤（CF）方法CF-DIFF，该方法能够与多跳邻居一起充分利用协作信号。具体而言，向前扩散过程为用户 - 项目交互增加了随机噪声，而反向降级过程可容纳我们自己的学习模型，称为跨注意指导的多跳自动化自动编码器（CAM-AE），以逐渐恢复原始的用户 - 项目相互作用。cam-ae由两个核心模块组成：1）注意力辅助的AE模块，负责精确学习用户 - 项目交互的潜在表示，同时保留模型在可管理的级别上的复杂性，2）多跳交叉意见模块，明智地利用高级连接信息来捕获高级连接信息，以捕获增强的协作。通过三个现实世界数据集的全面实验，我们证明了cf-diff是（a）优越：优于基准建议方法，获得了高达7.29％的优势，与最佳竞争者相比，（b）从理论上降低计算的同时确保我们的模型交叉的交流，使我们的模型交叉构成，并将其交叉交叉 - 可扩展：证明与用户或项目数量线性扩展的计算效率。
幻觉索引：生成重建模型的图像质量指标
摘要。生成图像重建算法（例如调节条件扩散模型）在医学成像领域越来越流行。这些功能强大的模型可以将低信号比率（SNR）输入转换为具有高SNR的出现的输出。但是，输出可以具有一种称为幻觉的新类型错误。在医学成像中，这些幻觉对于放射科医生来说可能并不明显，但可能会导致诊断错误。通常，幻觉是指由机器学习模型引起的对象结构的估计错误，但是没有广泛接受的方法来评估幻觉幅度。在这项工作中，我们提出了一个新的图像质量指标，称为幻觉指数。我们的方法是计算从重建图像的分布到零幻觉参考分布的距离。为了评估我们的方法，我们对电子显微镜图像，模拟噪声测量和应用基于扩散的重现进行了数值实验。我们重复采样了测量和生成重建，以计算样品平均值和协方差。对于零幻觉参考，我们使用了应用于地面真理的正向扩散过程。我们的结果表明，较高的测量SNR导致相同的明显图像质量的幻觉指数降低。我们还评估了早期停止在反向扩散过程中的影响，并发现更适度的降解强度可以减少幻觉。我们认为，该指标对于评估生成图像重建或作为警告标签可能很有用，可以将医学图像中幻觉的程度告知放射科医生。
扩散反馈有助于剪辑查看更好的
对比性语言图像预训练（剪辑），它擅长于跨领域和模态提取开放世界的表示，已成为各种愿景和多模式任务的基础。然而，最近的研究表明，剪辑具有严重的视觉缺陷，例如几乎无法区分方向，数量，颜色，结构等。这些视觉缺点还限制了剪辑上构建的多模式大语模型（MLLM）的感知能力。主要原因可能是由于缺乏文本的独特性和图像的多样性，用于训练剪辑的图像文本对固有地存在偏差。在这项工作中，我们为剪辑模型提供了一种简单的培训方法，该方法在很大程度上通过自我监督的扩散过程克服了其视觉缺陷。我们介绍了Diva，该Diva使用Di Flupusion模型作为vrip ssistant的v。具体来说，Diva利用文本到图像扩散模型的生成反馈来优化剪辑表示，仅具有图像（没有相应的文本）。我们证明，Diva提高了夹在具有挑战性的MMVP-VLM基准上的表现，该基准在很大程度上评估了细粒度的视觉能力（例如g。，3-7％↑），并在多模式理解和分割任务上增强了MLLM和视觉模型的性能。对29个图像分类和检索基准测试的广泛评估证实，我们的框架保留了夹子强的零击功能。该代码将在https://github.com/baaivision/diva上找到。