XiaoMi-AI文件搜索系统
World File Search System无隐式
植入式柔性神经微电极最新进展
∗ 基金项目 : 科技创新 2030“ 脑科学与类脑研究 ” 重大项目 (2022ZD0208601), 国家自然科学基金 (62076250,62204204), 陕西
使用4D隐式神经表示
构建准确的地图是构成可靠的局部设备，计划和导航的关键构建块。我们提出了一种新的方法，可以利用LiDAR扫描来建立动态环境的准确地图。为此，我们建议将4D场景编码为新的时空隐式神经图表示，通过将时间依赖性的截断符号距离函数拟合到每个点。使用我们的代表，我们通过过滤动态零件来提取静态图。我们的神经表示基于稀疏特征网格，一种全球共享的解码器和时间依赖性的BAIS函数，我们以无监督的方式共同优化。要从一系列li-dar扫描中学习此表示，我们设计了一个简单而有效的损耗函数，以分段方式监督地图优化。我们在包含静态图的重建质量和动态点云的分割的各种场景上评估了我们的方法1。实验结果表明，我们的方法是删除输入点云的动态部分的过程，同时重建准确而完整的3D地图，以超出几种最新方法。
利用隐式人类反馈玩游戏
我们考虑深度强化学习 (DRL) 领域的以下核心问题：如何使用隐式人类反馈来加速和优化 DRL 算法的训练？最先进的方法依赖于任何明确提供的人为反馈，需要人类的主动参与（例如，专家标记、演示等）。在这项工作中，我们研究了一种替代范式，其中非专家人类正在默默观察（和评估）与环境交互的代理。通过将电极放在人的头皮上并监测所谓的事件相关电位，人类对代理行为的内在反应被感知为隐式反馈。然后使用隐式反馈来增强代理在 RL 任务中的学习。我们开发了一个系统来获取并准确解码隐式人类反馈，特别是 Atari 类型环境中的状态-动作对的错误相关事件电位 (ErrP)。作为一项基线贡献，我们证明了使用脑电图 (EEG) 帽捕获人类观察者观察代理学习玩几种不同 Atari 游戏的错误潜力的可行性，然后适当地解码信号并将其用作 DRL 算法的辅助奖励函数，旨在加速其对游戏的学习。在此基础上，我们在工作中做出了以下新颖的贡献：（i）我们认为 ErrP 的定义可以在不同的环境中推广；具体来说，我们表明观察者的 ErrP 可以针对特定游戏进行学习，并且该定义可以按原样用于另一个游戏，而无需重新学习错误潜力。（ii）为了提高 ErrP 数据效率，我们提出了一个新的学习框架，将 DRL 的最新进展结合到基于 ErrP 的反馈系统中，允许人类仅在 RL 代理训练开始之前提供隐式反馈。 （iii）最后，我们将基于隐式人类反馈（通过 ErrP）的 RL 扩展到相当复杂的环境（游戏），并通过合成和真实用户实验证明了我们的方法的重要性。
使用4D隐式神经表示
构建准确的地图是构成可靠的局部设备，计划和导航的关键构建块。我们提出了一种新的方法，可以利用LiDAR扫描来建立动态环境的准确地图。为此，我们建议将4D场景编码为新的时空隐式神经图表示，通过将时间依赖性的截断符号距离函数拟合到每个点。使用我们的代表，我们通过填充动态零件来提取静态图。我们的神经表示基于稀疏特征网格，一种全球共享的解码器和时间依赖性的BAIS函数，我们以无监督的方式共同优化。要从一系列li-dar扫描学习此表示形式，我们设计了一个简单而有效的损耗函数，以分段方式监督地图优化。我们在包含静态图的重建质量和动态点云的分割的各种场景上评估了我们的方法1。实验结果表明，我们的方法是删除输入点云的动态部分的过程，同时重建准确而完整的3D地图，以超出几种最新方法。
生成式AI 进军基因编辑领域
发表在预印本服务器bioRxiv 上 的论文尚未经过专家同行评审。预 计下个月，该公司将在美国基因和细 胞治疗学会年会上提交这篇论文。 与此同时，OpenCRISPR-1 或其变体 在多种生物体（包括植物、小鼠和人 类）中是否都能发挥作用还有待证 明。此外，技术的伦理和安全问题也 需要考虑。但令人兴奋的是，这些突 破性成果为生成式AI 开辟了一条新 途径，将对医学和健康领域产生广泛 影响，有望从根本上改变人们的基因 蓝图。
将电机工作记忆链接到显式和隐式运动学习
虽然已经广泛研究了显式和隐式运动学习，但在最近运动（MWM）的近期运动记忆中，对这些过程的贡献尚不清楚。先前的研究表明，视觉空间的工作记忆可能有助于明确的运动学习，但对隐式学习没有参与或有害。在这里，我们询问这些发现是否以及如何扩展到非视觉MWM。基于最近指向独立效应和效应特异性的MWM代码的工作，我们假设：（1）明确的运动学习过程将与效应无关的MWM相关，（2）隐式运动学习过程将与效应特异性MWM相关。为了检验这些假设，人类参与者既完成MWM任务又完成了视觉运动适应任务。我们的结果表明，与效应子无关的MWM质量与显式运动学习程度之间存在显着相关性，从而扩展了有关视觉空间工作记忆的先前发现。此外，我们提供了支持我们的第二个假设的证据，该假设是效应特异性MWM与隐式运动学习相关的。
SINR：样条增强隐式神经表示......
随着深度学习的出现，可变形图像配准经历了一场变革。虽然卷积神经网络 (CNN) 可以加速配准，但与迭代成对优化方法相比，它们的准确度较低，并且需要大量的训练队列。基于使用神经网络表示信号的进步，隐式神经表示 (INR) 已在配准社区中出现，用于连续建模密集位移场。使用成对配准设置，INR 可以减轻从一组患者身上学到的偏差，同时利用先进的方法和基于梯度的优化。然而，坐标采样方案使得密集变换参数化与 INR 容易产生生理上不合理的配置，从而导致空间折叠。在本文中，我们介绍了 SINR——一种使用自由形式变形 (FFD) 参数化 INR 表示的连续可变形变换的方法。SINR 允许多模态可变形配准，同时缓解当前基于 INR 的配准方法中发现的折叠问题。 SINR 在 CamCAN 数据集上的 3D 单模和多模脑配准方面均优于现有的最先进方法，证明了其在成对单模和多模图像配准方面的能力。关键词：隐式神经表征、图像配准、多模
Instant-UV：网格的快速隐式纹理学习
建模3D对象有效地成为计算机视觉研究中的一个核心主题。传统代表涉及几何表示的网格，体素网格以存储SDF或占用率之类的值或用于外观建模的UV地图。由于其离散的性质，其表示功能受硬件限制的约束。采用多层感知器（MLP）允许形状[5，10，22，29，30]，辐射场[24]，纹理[17，20，28，47]等的高质量表示。Mildenhall等。[24]表明，高视觉保真度是使用频率编码来编码功能的关键。近年来，由于使用较小的MLP，大大提高了训练和推理速度，多分辨率参数编码变得越来越流行。尽管如此，由于其直观的编辑功能和有利的动画可能性，许多应用程序仍然依赖网格作为对象表示。不幸的是，直接在网格上进行了少数作品铲球外观建模。先前的工作将纹理直接作为3D空间中的连续函数回归[28]，并使用频率编码[1，40]。内在的编码[17]也被引入以解锁更大的视觉细节。Mahajan等。[20]提出了一个有效的多解决顶点 -
从视频中提取心率的隐式神经模型
患有幻觉，从而降低了普遍性。直接应用先前的 INR 无法弥补这种信号强度不足，因为它们既适合信号也适合干扰因素。在这项工作中，我们引入了一个 INR 框架来增加这种体积描记器信号强度。具体来说，我们利用架构来实现选择性表示能力。我们能够将面部视频分解为血液体积描记器组件和面部外观组件。通过从该血液成分推断体积描记器信号，我们在分布外样本上展示了最先进的性能，而不会牺牲分布内样本的性能。我们在定制的多分辨率哈希编码主干上实现了我们的框架，通过比传统 INR 快 50 倍的速度实现实用的数据集规模表示。我们还提供了一个光学上具有挑战性的分布外场景的数据集，以测试对真实场景的泛化。代码和数据可以在 https://implicitppg.github.io/ 找到。
临床直觉的品种：显式，隐式和非局部神经动力学
抽象直觉反应一直是所有治疗学院的患者 - 治疗师相互作用的基石。此外，自从精神分析的开始以来，已经确定了“思想转移”，心灵感应/预知梦，遥远的意识和同步性的持续实例，例如“思想转移”，心灵感应/预知梦，遥远的意识和同步性。这些现象仍然存在于科学探索的边缘，部分原因是缺乏将它们带入临床工作主流的概念模型。作者提出了一个非本地神经动力学模型，该模型与非本地参与性信息通道相结合的经典局部相互作用形式（言语和非语言）交流是由身体/大脑/思维系统的基本量子/经典性质引起的。我们建议需要在心理分析中进行比喻转移，以纳入复杂性科学和量子神经生物学的最新发展，这允许具有元降低的信息观点，从而弥补了笛卡尔的思维脑鸿沟并实现了统一的心理学现实图片。我们使用临床例子说明了全部和非本地临床直觉的全部范围，以帮助临床医生在日常工作中利用这些概念。