XiaoMi-AI文件搜索系统
World File Search System鉴别器
EC-GAN：通过生成对抗网络推断大脑有效连接
从功能性磁共振成像（fMRI）数据推断不同大脑区域之间的有效连接是近年来神经信息学领域的一项重要前沿研究。然而，由于fMRI数据噪声大、样本量小，目前的方法在有效连接研究中的应用受到限制。在本文中，我们提出了一种基于生成对抗网络（GAN）推断有效连接的新框架，称为EC-GAN。所提出的框架EC-GAN通过对抗过程推断有效连接，其中我们同时训练两个模型：生成器和鉴别器。生成器由一组基于结构方程模型的有效连接生成器组成，可通过有效连接生成每个大脑区域的fMRI时间序列。同时，采用鉴别器来区分真实的和生成的fMRI时间序列的联合分布。在模拟数据上的实验结果表明，与其他最新方法相比，EC-GAN可以更好地推断有效连接。真实世界的实验表明，EC-GAN 可以为分析 fMRI 数据的有效连接提供一个全新的、可靠的视角。
DIFAR 处理的校准因子 - CANDIS PDF 服务
确定缩放因子所需的设备参数必须取自两个文件，即声纳浮标规格和接收器规格，这些信息在本说明中给出。无线电接收机鉴别器的一个参数常数的值已在实验室中得到实验验证。校准因子是根据设备参数确定的。结果表明，即使没有校准处理，如果要实现波束成形，来自 DIFAR 浮标的定向通道也必须相对于全向通道正确加权。
生成式人工智能：
1.**生成对抗网络 (GAN)**：由两个相互竞争的神经网络组成——一个生成器和一个鉴别器。生成器试图生成令人信服的数据实例，而鉴别器则评估它们的真实性。随着时间的推移，这种对抗过程有助于生成器创建高度逼真的输出。2.**变分自动编码器 (VAE)**：它们将神经网络与概率方法相结合，以对数据进行编码和解码。VAE 特别适用于生成作为输入数据变体的新数据点。3.**Transformer 模型**：在自然语言处理领域尤为突出。像 OpenAI 的 GPT-3（生成式预训练 Transformer 3）这样的模型可以根据输入提示生成连贯且符合上下文的文本。**生成式 AI 的应用：** 1.**文本生成**：生成文章、诗歌、问题答案甚至计算机代码。2.**图像创建和编辑**：制作逼真的图像或转换现有图像（例如，将草图变成详细的图片）。3.**音乐创作**：创作各种风格的新音乐作品。4.**合成数据生成**：在真实数据稀缺或获取成本高昂时，生成有用的数据集以训练机器学习模型。5.**创意产业**：协助艺术家、作家和设计师集思广益并开发新概念。生成式人工智能不断发展，不断突破机器创造的界限，并对娱乐、医学和研究等各个领域产生广泛影响。
![arXiv:2111.11184v1 [physics.ins-det] 2021 年 11 月 22 日](/simg/g:\will\search\icon\source\0\0122e5130a1b771c92006aa8ae69ef85b63b6248.webp)
arXiv:2111.11184v1 [physics.ins-det] 2021 年 11 月 22 日
摘要：本文介绍了一种采用 130 nm SiGe BiCMOS 技术设计的小面积单片像素探测器 ASIC，用于升级 CERN 的 FASER 实验的预流探测器。该原型的目的是研究快速前端电子器件在像素敏感区域内的集成，并确定能够最好地满足实验规格的配置。为了应对与像素内前置放大器和鉴别器集成相关的若干挑战，自感噪声、不稳定性和串扰被最小化。还将描述用于特性描述和设计选择的方法。这里研究的两种变体将在 FASER 实验预流的预生产 ASIC 中实施，以进行进一步测试。
MAUDGAN：具有不同脑肿瘤的多中心 MRI 数据的运动伪影无监督解缠生成对抗网络
摘要。目的：本研究提出了一种新颖的回顾性运动减少方法，即运动伪影 11 无监督解缠生成对抗网络 (MAUDGAN)，该方法可减少来自肿瘤和转移性脑图像的运动伪影。MAUDGAN 使用多模态多中心 3D T1- 13 Gd 和 T2 流体衰减反转恢复 MRI 图像进行训练。方法：在 k 空间中为 3D T1-Gd MRI 图像模拟具有不同伪影 14 级别的运动伪影。MAUDGAN 由使用残差块构建的两个生成器、两个鉴别器和两个特征提取器网络组成。生成器将图像从内容空间映射到伪影空间，反之亦然。另一方面，鉴别器试图 17 区分内容代码以学习无运动和运动损坏的内容空间。结果：我们将 MAUDGAN 与 CycleGAN 和 Pix2pix-GAN 进行了比较。从定性上讲，MAUDGAN 可以消除软组织对比度最高的运动，而不会增加空间和频率失真。从定量上讲，我们报告了六个指标，包括归一化均方误差 (NMSE)、结构相似性指数 (SSIM)、多尺度结构相似性指数 (MS-SSIM)、峰值信噪比 (PSNR)、视觉信息保真度 (VIF) 和多尺度梯度幅度相似性偏差 (MS-GMSD)。MAUDGAN 获得了最低的 NMSE 和 MS-GMSD。平均而言，所提出的 MAUDGAN 重建的无运动图像具有最高的 SSIM、PSNR 和 VIF 值以及可比的 MS-SSIM 值。结论：MAUDGAN 可以在多模态框架下从 3D T1-Gd 数据集中分离出运动伪影。运动减少将改善自动和手动 26 后处理算法，包括自动分割、配准和引导治疗（例如 27 放射治疗和手术）的轮廓勾画。28
1序言2数据科学优化简介
对抗过程。在gans，两个神经网络，发电机和歧视器中，在游戏理论竞争中，类似于Minimax游戏。发电机旨在生成类似于培训数据集的数据样本，而鉴别器则旨在在真实样本和假样品之间进行差异。这种对抗性动态驱动两个网络以连续改进：发电机试图生成越来越困难的样本，使歧视者以伪造为假的，而歧视者则努力更好地区分真实的样本与假样品。通过这个对抗过程，甘斯学会了生成高质量的现实数据样本，生成器逐渐掌握了真实数据的分布。这个最小值优化框架的基础是gan的基础，彻底改变了生成建模，从而在跨各个领域生成现实的合成数据方面取得了显着的进步。
适合太空应用的低功耗 SiPM 读出 BETA ASIC
摘要 BETA 专用集成电路 (ASIC) 是一种完全可编程的芯片，旨在放大、整形和数字化多达 64 个硅光电倍增管 (SiPM) 通道的信号，功耗约为 ∼ 1 mW/通道。由于其双路增益，BETA 芯片能够解析信噪比 (SNR) >5 的单个光电子 (phes)，同时实现 ∼ 4000 phes 的动态范围。因此，BETA 可以为太空任务和其他应用中的最大速率低于 10 kHz 的 SiPM 读出提供经济高效的解决方案。在本研究中，我们描述了 BETA ASIC 的主要特性，并对其 16 通道版本的性能进行了评估，该版本采用 130 nm 技术实现。ASIC 还包含两个鉴别器，可以提供触发信号，对于 10 phes，时间抖动低至 400 ps FWHM。对于高达 15 位的动态范围，电荷增益测量的线性误差小于 2%。
dario Coscia，Nicola Demo和Gianluigi Rozza
在这项工作中，我们提出了Garom，这是一种基于生成对抗网络（GAN）的订购建模（ROM）的新方法。gan试图使用两个神经网络，即歧视器和生成器，以与数据集的基础分布相同的统计数据生成数据。虽然广泛应用于深度学习的许多领域，但很少对其ROM的申请进行研究，即使用更简单的模型近似高保真模型。在这项工作中，我们结合了GAN和ROM框架，引入了一个数据驱动的生成对抗模型，能够学习参数微分方程的解决方案。在提出的方法中，鉴别器被建模为自动编码器，提取输入的相关特征，并将调理机制应用于指定微分方程参数的生成器和鉴别网络。我们展示了如何将我们的方法应用于推理，提供模型概括的实验证据，并对该方法进行收敛研究。
合成大脑图像
Kingdom A BSTRACT 磁共振成像 (MRI) 是获取精确解剖信息的重要方式，它在诊断和治疗计划的医学成像中起着重要作用。近年来，由于深度学习技术（特别是生成对抗网络 (GAN)）的引入，图像合成问题发生了革命性的变化。这项工作研究了深度卷积生成对抗网络 (DCGAN) 在生成高保真和逼真的 MRI 图像切片方面的应用。建议的方法使用具有各种脑部 MRI 扫描的数据集来训练 DCGAN 架构。当鉴别器网络辨别创建的切片和真实的切片时，生成器网络会学习合成逼真的 MRI 图像切片。生成器通过对抗性训练方法改进了其生成与真实 MRI 数据非常相似的切片的能力。结果表明，DCGAN 有望在医学成像研究中实现多种用途，因为它们表明，如果我们对它们进行连续多次训练，它可以有效地生成 MRI 图像切片。这项工作增加了深度学习技术在医学图像合成中的应用研究范围。可以生成的切片具有增强数据集的能力，可以在深度学习模型的训练中提供数据增强，并且提供了许多功能以使 MRI 数据清理更容易，并且提供了三个随时可用且干净的数据集，可用于主要解剖计划。关键词 磁共振成像、生成对抗网络、深度卷积生成对抗网络、Nifty、OpenNeuro 1。介绍 该项目探索使用深度卷积生成对抗网络生成逼真的 MRI 图像切片。所提出的方法使用干净且准备好的矢状脑 MRI 扫描数据集训练 DCGAN 架构。生成器网络学习合成逼真的 MRI 图像，而鉴别器网络区分制造的和真实的图像。通过对抗性训练策略，生成器提高了其生成与真实 MRI 数据紧密匹配的切片的能力。这项工作为使用深度学习方法进行合成医学成像的研究做出了贡献。提出的研究目标如下：