XiaoMi-AI文件搜索系统
World File Search System辐射场
![arxiv：2312.04564v3 [cs.cv] 26 Sep 2024](/simg/5\53678c5de46f0ed9c6cab944ef0cb9e391f0d622.webp)
arxiv：2312.04564v3 [cs.cv] 26 Sep 2024
摘要。最近，3D高斯脱衣舞（3D-GS）在新型视图综合中广受欢迎。它解决了与神经辐射场（NERFS）相关的冗长训练时间和缓慢的渲染速度的挑战。通过3D高斯人的快速，可区分的栅格化，3D-GS实现了实时重新定位和加速训练。但是，他们需要训练和存储的大量记忆，因为它们需要数百万高斯人在每个场景的云云表示中。我们提出了一种利用量化嵌入的技术，可以显着减少每点存储器存储的需求，并采用粗到最佳的训练策略，以更快，更稳定的优化高斯点云。我们的方法发展了一个修剪阶段，从而导致场景表现形式减少，从而导致更快的训练时间和渲染速度，以实时渲染高分辨率场景。在保留重建质量的同时，我们将存储记忆降低了超过一个数量级。我们验证方法在保留视觉质量的各种数据集和场景上的有效性，同时消耗10-20×较小的内存和更快的训练/推理速度。项目页面和代码可在此处提供。
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 -
高温沉积硅能谱的研究
I. 引言 工业界、研究机构和学术界使用专门的辐照设备对微电子元件进行辐照试验，以研究单粒子效应 (SEE)。具体来说，散裂设备试图重现感兴趣的辐射环境，获得超过数百 MeV 的能量范围。只有大型加速器才能达到如此高的能量，因此全球范围内的可用性有限。在欧洲，用于微电子测试的两种散裂设备是啁啾辐照 (ChipIr) 和欧洲核子研究中心高能加速器混合场 (CHARM)。ChipIr 是英国卢瑟福·阿普尔顿实验室的光束线，它利用 ISIS 加速器的 800 MeV 质子在钨靶上的散裂来产生类似大气的中子束 [1]。 CHARM 是位于瑞士 CERN 的设施，它使用 PS 加速器的 24 GeV 质子作用于铜靶，产生高能强子混合场，主要为中子，但也包括质子、介子和 K 介子 [2]。根据辐射场的性质，ChipIr 主要用于地面或飞行高度测试，而 CHARM 则专用于加速器或太空应用。两者需要进行详细交叉校准的原因
毫米人类表面捕获以分钟为单位
从多个图像中详细的人体表面捕获是许多3D生产，分析和传输任务的重要组成部分。但在实际时间内产生毫米的精度3D模型，并实际上在现实世界中捕获环境中验证其3D准确性，由于缺乏这些目标的特定方法和数据，因此仍然是主要的挑战。我们为此提出了两项互补贡献。第一个是一种高度可扩展的神经表面辐射场方法，能够通过构造实现毫米的精度，同时证明了高计算和记忆效率。第二个是一个新颖的数据集，MVMannequin，它是用高分辨率手持3D扫描仪捕获的衣服人体模型几何形状，并配对校准的多视图图像，可以验证毫米的准确性要求。尽管我们的方法可以产生如此高的密度和精确的几何形状，但我们显示了神经表面管道的侵略性稀疏和优化，只需使用几个GB的GPU存储器在计算时间内进行估算，同时允许实时毫秒的神经渲染。根据我们的框架和数据集，我们表明我们的方法在不到3分钟的训练时间内就可以达到77％的积分准确性和完整性，并具有68个观点。
基于火焰的NERF调节3D脸渲染
摘要。传统的3D面模型基于带纹理的网格表示。最重要的模型之一是火焰（通过刻板模型和表达式学习的面孔），它会产生完全可控制的人脸的网格。不幸的是，此类模型在捕获几何和外观细节方面存在问题。与网格表示相反，神经辐射场（NERF）产生极其清晰的渲染。但是，隐式很难动画，并且不能很好地推广到看不见的表达。有效控制NERF模型以获得面部操纵并不是微不足道的。本文提出了一种名为Nerflame的新方法，该方法结合了NERF和火焰方法的优势。我们的方法使NERF具有高质量的渲染能力，同时对视觉外观完全控制，类似于火焰。与使用神经网络进行RGB颜色和体积密度建模的传统基于NERF的结构相反，我们的方法将火焰网格用作独特的密度体积。因此，颜色值仅存在于火焰网格的附近。我们的模型的核心概念涉及根据其与网格的接近度调整体积密度。此火焰框架无缝地融合到NERF体系结构中，以预测RGB颜色，从而使我们的模型能够明确并隐式地捕获RGB颜色。
autonerf：用自主代理培训隐性场景表示
摘要 - 隐式表示，例如神经辐射场（NERF），可以通过连续的神经功能在3D场景中绘制颜色，密度和语义。但是，这些模型通常需要手动和仔细的人类数据收集进行培训。本文解决了自主nerf构造的主动探索问题。我们研究代理如何学会有效地探索未知的3D环境，以便在自主性过程中收集的数据能够学习高质量的神经隐式图表示。在四个与机器人相关的下游任务上评估了所学代表的质量：经典的观点渲染，地图重建，计划和姿势改进。我们比较了不同的探索策略的影响，包括基于前沿的基于基础和学习的方法（端到端和模块化）以及针对此问题量身定制的不同奖励功能。经验结果表明，可以使用在看不见的环境中使用一集经验对积极收集的数据进行培训，并且Autonerf是一种经过加固学习训练的模块化勘探策略，使得获得了高质量的NERF，以获得高质量的NERF，以实现经过考虑的下游机器人任务。最后，我们证明，使用Autonerf可以将代理部署到以前未知的场景中，然后通过通过勘探，重建和策略填充的循环来适应场景来自动改善其导航性能。
生成媒体：签名，隐喻和经验
摘要 - 本文解决了在复杂制造环境中实施无标记的增强现实（AR）的挑战。使AR系统更加直观，健壮和适应性是使其在行业中成为可能的必需步骤。在不受控制的现实世界环境中遇到的硬约束中，我们显着面对生产线的动态性质以及在组装过程中对象的不断发展的外观。新兴深度学习（DL）方法启用了6D对象构成移动对象的AR注册的估计。但是，他们需要大量的6D对象构成地面真相数据。在现实世界的情况下，由于两个因素：建立精确的6D姿势标签程序的复杂性是在真实生产线中建立准确的6D姿势标签程序的复杂性，并且在整个组装线上遇到了各种各样的对象状态和外观。因此，有必要开发能够处理看不见的对象的替代6D构成估计技术。为此，本文介绍了一条新的管道，依靠HoloLens 2进行数据捕获，神经辐射场（NERF）进行3D模型生成，以及用于6D姿势估计的Megapose。所提出的方法可以实现6D姿势估计，而无需特定对象的训练或辛苦的姿势标签。
3D生成模型的基于物理的照明
最近的工作表明，可以通过合成神经辐射场渲染的特征来训练生成的对抗网络（GAN）从2D图像集合中生成3D内容。但是，大多数这样的解决方案都会产生光彩，并与材料纠缠在一起。这会导致不切实际的外观，因为照明无法更改，并且依赖视图（例如反射）的效果无法正确移动。此外，许多方法对于完整的360°旋转都很难，因为它们通常是专为面孔诸如面孔的主要场景而设计的。我们引入了一个新的3D GAN框架，该框架解决了这些缺点，允许多视图相干360◦查看，同时重新查看具有闪亮反射的对象，我们使用CAR数据集进行了体现。我们解决方案的成功源于三个主要贡献。首先，我们估算了最初的摄像头为汽车图像数据集，然后在训练GAN时学会完善相机参数的分布。第二，我们提出了一个有效的基于图像的照明模型，我们在3D GAN中使用该模型来产生分离的反射率，而不是在以前的大多数工作中合成的辐射。该材料用于使用环境图的数据集进行基于物理的渲染。第三，我们与以前的工作相比，我们改善了3D GAN体系结构，并设计了允许有效分解的仔细培训策略。我们的模型是第一个生成各种3D汽车一致的3D车，并且可以与任何环境图进行交互式保存。
![arxiv：2212.01672v1 [cs.cv] 2022年12月3日](/simg/c\cc26ee16c78484b3826d3737f4bd2bdf2a9d3447.webp)
arxiv：2212.01672v1 [cs.cv] 2022年12月3日
摘要。这项工作的目的是介绍Marf，这是一项新颖的框架，能够使用Rover摄影机中的几种图像来合成火星环境。这个想法是生成火星表面的3D场景，以应对行星表面探索中的关键挑战，例如：行星地质，模拟导航和形状分析。尽管存在不同的方法来启用火星表面的3D重建，但它们依靠经典的计算机图形技术在重建过程中会产生大量计算资源，并且具有限制，并限制了重建以未见的场景并适应来自Rover Cameras的新图像。提出的框架通过利用神经辐射场（NERFS）来解决上述局限性，该方法通过使用一组稀疏的图像来优化连续的体积场景函数来合成复杂场景。为了加快学习过程的速度，我们用其神经图形图（NGP）替换了一组稀疏的漫游者图像，这是一组固定长度的vectors，这些vectors vectors vectors seal seal seal the vectors seal seal the venter thement Lengus的vectors seal seal theck in thecks of固定长度的vecters vecters the替换了以明显较小的尺寸保留原始图像的信息。在实验部分中，我们演示了由好奇的漫游者，持久漫游者和Ingenity直升机限制的实际火星数据集创建的环境，所有这些都在行星数据系统（PDS）上可用。
在Leksell Gamma Knife®LucílioDossantos Matias
子宫颈的摘要癌是一个全球问题，近距离放射治疗是用于治疗此类癌症患者的主要放射治疗成分之一。随着治疗计划中的科学和技术发展的出现，有必要在近距离放射治疗中进行反相反的优化，并与传统的手动优化方法进行了彻底的比较。在这项工作中，物理参数；分别使用D 98和D 90代表的目标体积的最低剂量为98％和90％，用于评估相对于目标的治疗计划，而2厘米3卷（d 2cm 3）收到的最低剂量用于研究处于风险的器官的并发症。使用的符合性指数硬币用于描述按规定的剂量和每个器官的分数，每个器官处于接收临界剂量的风险量，这可能会导致并发症。还根据无放射生物学参数并发症控制概率P +进行了治疗计划评估。与同源手动图形优化计划进行了比较，与两种近距离抗体抗体计划算法相对应的物理和放射生物学评估。这项研究的主要观察结果是，反相反优化方法的良好调整类解决方案可能与手动图形优化计划产生的剂量体积直方图产生相似的剂量量直方图，并且反向方法有可能避免有风险的机器人，同时为目标提供可接受的剂量。此外，放射生物学索引（例如P +）可以对治疗计划评估中的物理参数有用。Elekta Leksell GammaKnife®单位已成功用于颅内恶性肿瘤的管理已有半个多世纪。根据国家和国际法规的要求，为了保护患者，工人，公众和环境，必须通过电离辐射工具构成的风险有足够的知识。从这个角度来看，斯德哥尔摩大学物理系（斯德哥尔摩，瑞典）的核物理研究小组与Elekta Instrument AB（瑞典斯德哥尔摩，瑞典）合作进行了调查，对使用高纯度德国人（Hpge）gamma刀的辐射场进行了调查。作为正在进行的研究的一部分，本工作的主要目的是改善伽马刀周围的辐射场的建模和表征，以询问国家辐射保护与测量委员会（NCRP）方法论对Leksell Gamma刀具治疗室的结构屏蔽设计和评估的功效。在Gamma刀 - 完美TM领域中获得高分辨率γ射线光谱和环境剂量等效H*（10）发生在萝洛林斯卡大学医院（瑞典）（瑞典）Neurosurgery（肿瘤学系）神经外科（肿瘤学系）。分别利用了P型同轴HPGE检测器和卫星测量表来获取γ射线光谱和H*（10）。在Pegasos Monte Carlo系统上模拟了测得的配置。圆柱表面上的一个相空间用敞开的门封闭了伽马刀，并且组装的幻影被用作辐射的来源。在对应于2·10 12衰变的相空间上收集了约4·10 7γ光子。在打开伽马刀门的情况下，大多数辐射是在向前方向上测量的，相对于Z轴，沿向前的方向至θ= 45 O。蒙特卡洛模拟重现了测得的结果；因此，在响应测量和模拟光谱之间实现了良好的一致性。最近的Gamma刀模型Perfexion TM，Icon TM和Esprit TM