badcasehttps://huggingface.co/runwayml/stable-diffusion-inpainting/discussions/31论文MAT论文：MAT:Mask-AwareTransformerforLargeHoleImageInpainting代码：摘要：RePaint论文：RePaint:InpaintingusingDenoisingDiffusionPr

InP-Based_Generic_Foundry_Platform_for_Photonic_Integrated_Circuits时间：2018年作者：LucM.Augustin,Member,IEEE,RuiSantos,ErikdenHaan,StevenKleijn,PeterJ.A.Thijs,SylwesterLatkowski,SeniorMember,IEEE,DanZhao,W

红外场景单目深度估计的难点缺乏准确的深度参考标准：红外场景下的深度估计通常需要依赖于大量的输入图像和对应的深度值作为训练的约束。然而，获取准确的深度参考标准是一个挑战，目前常用的方法是使用红外传感器（如Kinect）或激光雷达，但它们的精度有限或价格昂贵。多尺度信息的处理：红外场景中存在着不同尺度的物体，而不同尺度的物体对应的深度信息也不同。因此，在单目深度估计中，如何有效地处理多尺度信息是一个难

两篇完整模态脑瘤分割论文，都是使用Transformer，没有什么特别的特色，也没有开源代码，因此只是简单记录一下。3DCATBraTS:ChannelattentiontransformerforbraintumoursemanticsegmentationElBadaouiR,CollEB,PsarrouA,etal.3DCATBraTS:Channelattentiontransformer

ZhouT,RuanS,HuH.AliteraturesurveyofMR-basedbraintumorsegmentationwithmissingmodalities[J].ComputerizedMedicalImagingandGraphics,2023,104:102167.这篇文献综述重点探讨了在磁共振成像（MRI）用于脑肿瘤分割时面临的一项主要挑战：部分MRI模态的缺失（本文将范围

WangH,ChenY,MaC,etal.Multi-ModalLearningWithMissingModalityviaShared-SpecificFeatureModelling[C]//ProceedingsoftheIEEE/CVFConferenceonComputerVisionandPatternRecognition.2023:15878-15887.【论文概述】本文的核心思想

这是复旦大学2023.12.28开放出来的数据集和论文，感觉很宝藏，稍微将阅读过程记录一下。ZhengQ,ZhaoW,WuC,etal.Large-scaleLong-tailedDiseaseDiagnosisonRadiologyImages[J].arXivpreprintarXiv:2312.16151,2023.项目主页：https://qiaoyu-zheng.github.io/RP

前言：本文为记录自己在Nerf学习道路的一些笔记，包括对论文以及其代码的思考内容。公众号：AI知识物语B站讲解：出门吃三碗饭摘要摘要本文的总目标是实现从2D图片到3D模型的高保真重建（使用神经渲染方法）。2020年Niemeyer等人提出的DVR和2020年Yariv等人提出的IDR是现存的神经表面重建（neuralsurfacereconstruction）方法，但他们都依赖前景遮罩（foreg

用于查询性能预测的计划结构深度神经网络模型论文阅读和复现24.【X=1.1】在关系数据库查询优化领域，对查询时间的估计准确性直接决定了查询优化结果，进而影响到数据库整体的查询效率。

目录一、论文阅读笔记：1、摘要：2、主要贡献点：3、方法：3.1网络的总体框架图：3.2Transformer-basedInformationPropagationPath(TIPP)3.3Intra-Modal

目录概述摘要引言参数化效率歧义性mip-NeRF场景和光线参数化从粗到细的在线蒸馏基于区间的模型的正则化实现细节实验限制总结：附录退火膨胀采样背景颜色paper：https://arxiv.org/abs/2111.12077code：https://github.com/google-research/multinerfproject：https://jonbarron.info/mipnerf

目录目标方法几何生成CoarsegeometryGeometrydetailcurving头发纹理生成训练纹理diffusion两阶段双流外观优化基于物理的纹理生成动画生成实验结果实现细节MoreResults限制链接projecthttps://sites.google.com/view/dreamfacepaperhttps://arxiv.org/abs/2304.03117videohtt

目录前置知识摘要引言相关工作方法比较喜欢的一篇工作project：https://bmild.github.io/rawnerf/paper：https://arxiv.org/abs/2111.13679code：https://github.com/google-research/multinerfvideo【推荐】：https://www.youtube.com/watch?v=JtBS4K

目录StableViewSynthesis摘要引言EnhancedStableViewSynthesis从Mip-NeRF360的对比实验中找到的两篇文献，使用了卷积神经网络进行渲染和新视角合成，特此记录一下ToDoStableViewSynthesispaper：https://readpaper.com/pdf-annotate/note?pdfId=4739365752692277249&n

前言这是一篇发表在CVPR2023上的文章，ARotation-Translation-DecoupledSolutionforRobustandEfficientVisual-InertialInitialization，深蓝学院还有作者对这项工作的介绍：VIO初始化探究：旋转平移解耦的高效鲁棒初始化-深蓝学院-专注人工智能与自动驾驶的学习平台https://www.shenlanxueyuan

前言StereoVisual-InertialOdometryWithOnlineInitializationandExtrinsicSelf-Calibration这篇论文是2023年TIM上的一篇文章，主要是针对双目视觉惯性里程计的初始化问题，实现了一个除了估计IMU偏置，速度，重力，IMU-相机外参和平移比例因子的初始值等参数，同时还可以估计外参的初始化系统。一、问题背景视觉和IMU互补。不

在vit以后证明了transformer在视觉任务中的一系列表现videoswintransformer在视频上很好的效果swinMLP自监督掩码自监督效果很炸裂swintransformer成了视觉领域一个绕不开的baseline题目层级式移动窗口层级式的特征提取，特征有多尺度的概念MRSA微软亚洲研究院viT只是做了分类的任务，这个可以适用于很多视觉任务通过一种移动窗口的方式去学习，大大降低了

Forecastingatscale一、前言二、背景1、数据集2、现有模型三、prophet模型1、模型概述2、趋势部分2.1、非线性模型2.2线性模型2.3自动变点选择2.4趋势预测的不确定性3、周期项4、节假日事件项5、模型拟合6、分析闭环建模三、预测自动评估1、使用基线预测2、模型预测精度3、模拟历史预测4、识别大的预测误差四、结束语一、前言该文章是fbprophet提出时对应的官方论文，同

目录1.什么是时间序列2.什么是时间序列预测3.时间序列预测的范式4.时间序列的专有名词介绍5.时间序列评估1.什么是时间序列按时间先后顺序出现的有序序列2.什么是时间序列预测点预测：预测未来的某一个时间点，它的值到底是多少，例如明天的收盘股价、最高温度等。区间预测：明天的温度范围，例如-8~4°，落在这个范围的概率是多少时间序列预测，不仅可预测，还要可定量预测。例如股票，你除了告诉我明天股票会涨

论文：https://arxiv.org/pdf/1512.03385.pdfDeepResidualLearningforImageRecognition本模块主要是阅读论文，会做简单的翻译（至少满足我自己能看明白）。Introduction由上图可见，在20层和56层的网络上训练的训练误差和测试误差的变化，可以看到层数加深不一定能带来性能上的提升，甚至更糟了。这就引出了文章的疑问（有些和直觉相

原文链接githubcode介绍视频视频序列包含丰富的动态模式，例如在时域中表现出平稳性的动态纹理模式，以及在空间或时域中表现出非平稳的动作模式。我们证明了时空生成卷积网络可用于建模和合成动态模式。该模型定义了视频序列上的概率分布，对数概率由时空ConvNet定义，该网络由多层时空滤波器组成，用于捕获不同尺度的时空模式。该模型可以通过迭代以下两个步骤的“综合分析”学习算法从训练视频序列中学习。步骤

《论文阅读》基于情绪-原因转换图的共情回复生成前言摘要模型架构图构建回复概念预测回复生成前言今天为大家带来的是《EMPATHETICRESPONSEGENERATIONVIAEMOTIONCAUSETRANSITIONGRAPH

、SRGAN主要介绍1、超分辨率问题2、解决问题的方法二、SRGAN主要内容1、三个解决问题的方法层面论述三、结论前言论文：http://arxiv.org/abs/1609.04802参考：超分辨率论文阅读

OntheAnatomyofMCMC-BasedMaximumLikelihoodLearningofEnergy-BasedModels相关代码：点击本文只介绍关于MCMC训练的部分，由此可知，MCMC常常被用于训练EBM。最后一张图源于ImplicitGenerationandModelingwithEnergy-BasedModels本研究调查了马尔可夫链蒙特卡罗(MCMC)采样在无监督最大

1.论文介绍ISINet:AnInstance-BasedApproachforSurgicalInstrumentSegmentationISINet：一种基于实例的手术器械分割方法2020MICCAI【Paper】【Code】2.摘要我们研究了机器人辅助手术场景中手术器械的语义分割任务。我们提出了基于实例的手术器械分割网络（ISINet），一种从基于实例的分割角度解决这一任务的方法。我们的方法

1.论文介绍DichotomousImageSegmentationwithFrequencyPriors基于频率先验的二分图像分割2023年发表在IJCAIPaperCode2.摘要二分图像分割（DIS）具有广泛的实际应用，近年来得到了越来越多的研究关注。本文提出了解决DIS与信息的频率先验。模型称为FP-DIS，它源于这样一个事实，即在频域的先验知识可以提供有价值的线索，以确定细粒度的对象边界

@article{zhang2023real,title={Real-timeinfraredandvisibleimagefusionnetworkusingadaptivepixelweightingstrategy},author={Zhang,XuchongandZhai,HanandLiu,JiaxingandWang,ZhipingandSun,Hongbin},journal={In

@article{yue2023dif,title={Dif-fusion:Towardshighcolorfidelityininfraredandvisibleimagefusionwithdiffusionmodels},author={Yue,JunandFang,LeyuanandXia,ShaoboandDeng,YueandMa,Jiayi},journal={arXivprepri

@article{zhao2023ddfm,title={DDFM:denoisingdiffusionmodelformulti-modalityimagefusion},author={Zhao,ZixiangandBai,HaowenandZhu,YuanzhiandZhang,JiangsheandXu,ShuangandZhang,YulunandZhang,KaiandMeng,Dey

ICCV2021Abstract一个度量学习方法，通过浏览语义引导的局部集合去优化内在深度表示。一个新颖的特征融合模块能有效利用跨模态特异质特征。Senantics-guidedTripletLoss基本假设：在场景语义分割图像中，目标内部相邻像素拥有同样的深度值，而跨目标边界上深度值变化很大。方法将语义图像分割成KxK大小的块，stride为1。在每一个块，中心点为anchor,与anchor有

关于AfuzzAfuzz是一款功能强大的自动化Web路径模糊测试工具，该工具专为Web安全专家和漏洞奖励Hunter设计，可以帮助我们以自动化的形式扫描和收集目标Web应用程序中的页面、语言和相关统计分析等数据

作者：ZifengZhuang，KunLei，JinxinLiu，DonglinWang，YilangGuo论文链接：http://arxiv.org/abs/2302.11312arXiv2023-02-22代码链接：https://github.com/Dragon-Zhuang/BPPO摘要离线强化学习(RL)是一个具有挑战性的场景，现有的非策略行动者-评论家方法由于高估了分布外的状态-动作

作者：ZhendongWang,JonathanJHunt,MingyuanZhou论文链接：https://www.aminer.cn/pub/62fa0d1490e50fcafd2462dd/AI综述（大模型驱动）：offlinereinforcement学习(RL),旨在学习一个有效的政策,使用以前收集的静态数据集,是RL的一个重要范畴。标准的RL方法通常在这一任务中表现不佳,因为在外部收集

作者：ZichenLiu,SiyiLi,WeeSunLee,ShuichengYAN,ZhongwenXu论文链接：EfficientOfflinePolicyOptimizationwithaLearnedModel|OpenReview发表时间：ICLR2023年1月21日代码链接：https://github.com/sail-sg/rosmo摘要MuZero的离线版本算法（MuZeroUn

本文提出了新的生成器优化方式，将鉴别器中的知识合并到改进的生成器中。点击查看原文我们介绍了Metropolis-Hastings生成对抗网络（MH-GAN），它结合了马尔可夫链蒙特卡罗和GAN的各个方面。MH-GAN从GAN的判别器生成器对隐式定义的分布中抽取样本，而标准GAN从仅由生成器定义的分布中抽取样本。它使用GAN训练中的判别器围绕生成器构建包装器以改进采样。有了完美的鉴别器，即使生成器不

文章总结：本文提出了使用一种生成式的模型作为MCMC算法中的建议方式，并通过GAN进行优化。原文：DeepInvolutiveGenerativeModelsforNeuralMCMC我们引入了深度内卷生成模型（一种深度生成建模的新架构），并使用它们来定义内卷神经MCMC（一种快速神经MCMC的新方法）。内卷生成模型将概率核G(ϕ→ϕ′)G(\phi→\phi')G(ϕ→ϕ′)表示为包含辅助变量π

多传感器融合导航论文积累知识点总结因子图一致因子图文献阅读笔记[IF18.6]知识点总结因子图FactorGraph是概率图的一种，是对函数因子分解的表示图，一般内含两种节点，变量节点和函数节点。因子图存在着：两类节点：变量节点和对应的函数节点变量节点所代表的变量是函数节点的自变量。同类节点之间没有边直接相连。一致因子图一致性指的是在该框架中能够保持一致性地更新变量的值，使得整个概率图模型中的变量

数据浓缩下的后门攻击1.摘要数据集蒸馏已成为训练机器学习模型时提高数据效率的一项重要技术。它将大型数据集的知识封装到较小的综合数据集中。在这个较小的蒸馏数据集上训练的模型可以获得与在原始训练数据集上训练的模型相当的性能。然而，现有的数据集蒸馏技术主要旨在实现资源利用效率和模型效用之间的最佳权衡。由此产生的安全风险尚未得到探讨。这项研究对图像域中的数据集蒸馏模型所蒸馏的数据进行训练的模型进行了第一次

本篇博客用于记录一篇行人重识别方向的论文所提出的优化方法《Pose-GuidedFeatureDisentanglingforOccludedPersonRe-identificationBasedonTransformer》，论文中提出的PDF_Net模型的backbone是采用《TransReID:Transformer-basedObjectRe-Identification》的主干网络Tr

LLaVA-Med:TrainingaLargeLanguage-and-VisionAssistantforBiomedicineinOneDay论文阅读笔记Abstract本文提出了一种经济有效的方法训练一个可以回答生物医学图像开放研究问题的视觉

改进高清广播数字传输和DRM的调幅调制技术进展论文信息：ByKyT.Luu,WayneDuelloandAndersMattssonHarrisBroadcastCommunications2004ABSTRACT  从摘要部分可以解读除两个本文主要关注的问题，一个是数字信号需要使用矢量调制技术（包络消除和还原EE&R）的发射机结构，那我们如果保证在发射机内精确组合数字信号的包络和相位分量，以产生

SG-Former:Self-guidedTransformerwithEvolvingTokenReallocation1.Introduction方法的核心是利用显著性图，根据每个区域的显著性重新分配tokens。显著性图是通过混合规模的自我关注来估计的，并在训练过程中自我进化。直观地说，我们将更多的tokens分配给显著区域，以实现细粒度的关注，而将更少的tokens分配到次要区域，以换取效

知识图谱-->知识补全-->长尾问题-->元关系学习基于度量的方法基于优化的方法（本文）文章目录Abstract1Introduction2RelatedWork2.1知识图谱嵌入2.2元学习（Meta-Learning）3TaskFormulation4Method4.1关系元学习器4.2嵌入学习器4.3训练目标5Experiments5.1数据集和评估指标5.2实施5.3结果5.4消融研究5.

知识图谱-->知识补全-->长尾问题-->元关系学习基于度量的方法（本文）基于优化的方法文章目录Abstract1Introduction2RelatedWork关系学习的嵌入模型小样本学习3Background3.1问题定义3.2One-Shot学习设置4Model4.1邻居编码器4.2匹配处理器4.3损失函数和训练5Experiments5.1数据集5.2实施细节5.3结果关于模型选择的备注5

论文：《Dynamo:Aflexible,user-friendlydevelopmenttoolforsubtomogramaveragingofcryo-EMdatainhigh-performancecomputingenvironments》软件：目录AbstractKeywords1Introduction1.1CryoElectronTomographyandsubtomogramav

原文链接：https://arxiv.org/abs/2312.092431.引言3D目标检测任务受到无限类别和长尾问题的影响。3D占用预测则不同，其关注场景的几何重建，但多数方法需要从激光雷达点云获取的3D监督信号。本文提出OccNeRF，一种自监督多相机占用预测模型。首先使用图像主干提取2D特征。为节省空间，本文直接插值2D特征得到3D体素特征，而不使用交叉注意力。此外，本文考虑相机视野的无限

论文链接：https://openaccess.thecvf.com/content/CVPR2022W/UG2/papers/Wu_Contrastive_Learning-Based_Robust_Object_Detection_Under_Smoky_Conditions_CVPRW_2022_paper.pdfAbstract目标检测是指有效地找出图像中感兴趣的目标，然后准确地确定它们的

论文下载代码SupplementaryMaterialsbib:@INPROCEEDINGS{,title={Self-PacedCurriculumLearning},author={LuJiangandDeyuMengandQianZhaoandShiguangShanandAlexanderHauptmann},booktitle={AAAI},year={2015},pages={2694

Ref系列UniRef++:SegmentEveryReferenceObjectinSpatialandTemporalSpaces论文阅读笔记一、Abstract二、引言三、相关工作3.1统一的模型

RSIS系列RotatedMulti-ScaleInteractionNetworkforReferringRemoteSensingImageSegmentation论文阅读笔记一、Abstract二