XiaoMi-AI文件搜索系统
World File Search System输入点
![arxiv：2404.03566v1 [cs.cv] 2024年4月4日](/simg/g:\will\search\icon\source\e\eb78931c93bd032ba0cea44d8e2c44ba117d9aad.webp)
arxiv：2404.03566v1 [cs.cv] 2024年4月4日
图像。相比之下，基于扩散的3D点云生成方法落后了，缺乏其2D图像对应物的实现和多样性。我们认为，一个中心挑战是典型点云的实质性尺寸：公共点云数据集[11，50]通常以100k或更多的分辨率包含点云。这导致了由于转移点相对于输入点的数量的二次复杂性而导致的一般建模的计算成本。因此，最新模型受到计算约束的严重限制，通常仅限于2048或4096点的低分辨率[32，36，46，57，59]。在本文中，我们提出了一个有效的点云扩散模型，该模型有效地训练并轻松扩展到高分辨率输出。我们的主要思想是设计一类具有固定尺寸的分辨率潜在反复限制的AR插图。我们展示了如何通过低分辨率监督有效地训练这些模型，同时可以在推理过程中构成高分辨率点云的发生。我们的直觉来自这样的观察，即可以将对象的不同点云视为共享连续3D表面的不同样本。因此，经过训练的生成模型，该模型从表面上对多个低分辨率进行建模，应该从下面的表面学习表示形式，从而使其能够在训练后生成高分辨率样本。为了将此直觉编码为模型设计，我们建议将基础表面的表示和点云生成的表示。前者是用于对基础表面进行建模的恒定内存。后者的大小可变，具体取决于点云的分辨率。我们设计了轻巧的读写模块，以在两个表示之间进行通信。我们模型的大部分计算用于建模基础表面。我们的实验证明了与我们的模型1的高分辨率不变性。以低分辨率为1,024的训练，该模型在以最先进的质量中最多可产生131k点，如图1。概念上，我们观察到，使用比训练更高的分辨率实际上导致表面保真度略高。 我们分析了这种有趣的现象，并借鉴了与无分类器指导的联系。 我们强调，与点E相比，我们的一代输出的分辨率> 30倍[36]。 我们希望这是朝着高质量的3D输出迈出的有意义的一步。概念上，我们观察到，使用比训练更高的分辨率实际上导致表面保真度略高。我们分析了这种有趣的现象，并借鉴了与无分类器指导的联系。我们强调，与点E相比，我们的一代输出的分辨率> 30倍[36]。我们希望这是朝着高质量的3D输出迈出的有意义的一步。
UIRS的隐私影响评估
隐私影响评估1。目前，美国劳工部（DOL）就业和培训管理局（ETA）提供了各个位于州场所的州服务器。状态利用服务器上传和传达失业保险（UI）计划相关的绩效和评估数据与ETA报告的大型机数据库。状态数据已上传并存储在ETA的失业保险数据库管理系统（UIDBMS）中。如本PIA所述，UIDBMS正在大修中，并替换为一个名为“失业保险报告系统（UIRS）”的新系统。从历史上讲，在UIDBMS下，州服务器和DOL管理的任何数据库都存在分离。在UIRS下，国家提供的数据将直接上传到由DOL首席信息官办公室（OCIO）管理的基于云的数据库，并由OCIO合同的第三方供应商托管。UIRS现代化计划的主要目标是消除物理服务器，将报告数据迁移到云中，并在输入点上增强数据验证以避免错误，从而改善状态数据收集，访问更好的数据安全和数据设计。通过这种现代化，国家和DOL地区和国家应用都将在新的现代化UIR中的相同基础设施上。包含个人身份信息（PII）的状态数据将上传到DOL托管的安全云服务器上。此PIA描述了将可以访问UIR中数据的用户以及该访问的限制。通常，用户将仅限于其角色所需的访问水平，而仅访问UIR中用户开展业务所需的信息类型。例如，州业务用户，区域/国家DOL业务用户以及DOL或供应商技术团队用户只能具有以下访问权限：州业务用户：这些用户只能按照当前的实践访问UIR中的州数据。各州将确定并将授权用户提交给DOL。DOL计划人员有权批准州业务用户，将指示OCIO在应用程序级别上授予授权用户的访问权限。区域/国家DOL业务用户：这些用户只会看到汇总级别数据，而不是任何州特定的PII数据。访问将由用户角色和访问控制由授权DOL员工（OUI）确定并与OCIO安全团队共享。div> dol或供应商技术团队用户：持有PII数据的表/文件仅适用于可以根据需要访问云组件的这些用户。使用OCIO安全团队确定的授权，监视和加密限制访问。