可以使用X射线自由电子激光器的强脉冲和短脉冲直接通过单次相干衍射成像直接观察到自由飞行中孤立的纳米样品的结构和动力学。广角散射图像甚至编码样品的三维形态信息，但是该信息的检索仍然是一个挑战。到目前为止，只有通过与高度约束模型拟合，需要对单镜头实现有效的三维形态重建，这需要有关可能的几何形状的先验知识。在这里，我们提出了一种更通用的成像方法。依赖于允许凸多面体描述的任何样品形态的模型，我们从单个银纳米颗粒中重建广角衍射模式。除了具有高对称性的已知结构动机外，我们还检索了以前无法访问的不完美形状和聚集物。我们的结果为单个纳米颗粒的真实3D结构确定以及最终的超快纳米级动力学的3D电影开辟了新的途径。
translated by 谷歌翻译
Neural volumetric representations have become a widely adopted model for radiance fields in 3D scenes. These representations are fully implicit or hybrid function approximators of the instantaneous volumetric radiance in a scene, which are typically learned from multi-view captures of the scene. We investigate the new task of neural volume super-resolution - rendering high-resolution views corresponding to a scene captured at low resolution. To this end, we propose a neural super-resolution network that operates directly on the volumetric representation of the scene. This approach allows us to exploit an advantage of operating in the volumetric domain, namely the ability to guarantee consistent super-resolution across different viewing directions. To realize our method, we devise a novel 3D representation that hinges on multiple 2D feature planes. This allows us to super-resolve the 3D scene representation by applying 2D convolutional networks on the 2D feature planes. We validate the proposed method's capability of super-resolving multi-view consistent views both quantitatively and qualitatively on a diverse set of unseen 3D scenes, demonstrating a significant advantage over existing approaches.
translated by 谷歌翻译
了解极端事件及其可能性是研究气候变化影响，风险评估，适应和保护生物的关键。在这项工作中，我们开发了一种方法来构建极端热浪的预测模型。这些模型基于卷积神经网络，对极长的8，000年气候模型输出进行了培训。由于极端事件之间的关系本质上是概率的，因此我们强调概率预测和验证。我们证明，深度神经网络适用于法国持续持续14天的热浪，快速动态驱动器提前15天（500 hpa地球电位高度场），并且在慢速较长的交货时间内，慢速物理时间驱动器（土壤水分）。该方法很容易实现和通用。我们发现，深神经网络选择了与北半球波数字3模式相关的极端热浪。我们发现，当将2米温度场添加到500 HPA地球电位高度和土壤水分场中时，2米温度场不包含任何新的有用统计信息。主要的科学信息是，训练深层神经网络预测极端热浪的发生是在严重缺乏数据的情况下发生的。我们建议大多数其他应用在大规模的大气和气候现象中都是如此。我们讨论了处理缺乏数据制度的观点，例如罕见的事件模拟，以及转移学习如何在后一种任务中发挥作用。
translated by 谷歌翻译
如今，有了大数据和数据湖泊，我们面临着大量数据，这些数据很难手动管理。在这种情况下，对个人数据的保护需要自动分析数据发现。存储在知识库中已经分析的属性名称可以优化此自动发现。要拥有更好的知识库，我们不应存储任何名称没有意义的属性。在本文中，要检查属性的名称是否具有含义，我们提出了一个解决方案来计算此名称和字典中的单词之间的距离。我们对距离的研究诸如N-gram，Jaro-Winkler和Levenshtein的功能，显示了在知识库中设定属性的接受阈值的限制。为了克服这些局限性，我们的解决方案旨在通过基于最长序列使用指数函数来增强得分计算。此外，还提出了词典中的双扫描，以处理具有复合名称的属性。
translated by 谷歌翻译
灵感来自最近隐含地代表具有训练有素的神经网络的信号的进步，我们旨在学习窄基线4D光场的连续表示。我们提出了一个用于4D光字段的隐式表示模型，其在稀疏的输入视图上被调节。我们的模型受过培训，以输出连续范围的查询时空坐标的光场值。鉴于稀疏的输入视图集，我们的方案可以通过灵活的因素超级解决空间和角域中的输入。由一个特征提取器和解码器组成，该解码器在光场补丁的数据集上培训。特征提取器从输入视图捕获每个像素特征。这些特征可以调整为所需的空间分辨率，并与查询坐标一起馈送到解码器。该配方使我们能够以任何期望的空间和角度分辨率重建光场视图。此外，我们的网络可以处理输入视图的场景，其中输入视图是低分辨率或缺失像素。实验表明，我们的方法在计算快速的同时实现了视图综合任务的最先进的性能。
translated by 谷歌翻译
由于极端热波和热圆顶对社会和生物多样性的影响，他们的研究是一个关键挑战。我们专门研究了持久的极端热浪，这是气候影响最重要的热潮。物理驱动天气预报系统或气候模型可用于预测其发生或预测其概率。目前的工作探讨了使用深度学习架构的使用，使用气候模型的输出训练，作为预测极端持久热浪的发生的替代策略。这种新方法将对包括气候模型统计数据研究的几个关键科学目标，建立了对气候模型中罕见事件的定量代理，研究了气候变化的影响，并最终应对预测有用。履行这些重要目标意味着解决与罕见事件预测有本质相关的类大小不平衡的问题，评估转移学习的潜在好处，以解决极端事件的嵌套性质（自然包含在不太极端的情况下）。我们训练一个卷积神经网络，使用1000年的气候模型产出，具有大级欠采样和转移学习。从观察到的表面温度和500 HPA地球态高度场的快照，训练有素的网络在预测持久的极端热浪的发生时实现了显着性能。我们能够以三种不同的强度预测它们，早在活动开始前15天（事件结束前30天）。
translated by 谷歌翻译
结合添加剂模型和神经网络可以通过同时通过可解释的结构化添加剂预测变量扩大统计回归的范围并扩展基于深度学习的方法。但是，将两种建模方法统一的现有尝试仅限于非常具体的组合，更重要的是涉及可识别性问题。结果，通常会丢失可解释性和稳定的估计。我们提出了一个通用框架，将结构化回归模型和深层神经网络组合到统一的网络体系结构中。为了克服不同模型零件之间固有的可识别性问题，我们构建了一个正交的单元，该细胞将深层神经网络投射到统计模型预测因子的正交补体中。这可以正确估计结构化模型零件，从而可以解释性。我们在数值实验中演示了该框架的功效，并在基准和现实世界应用中说明了其特殊优点。
translated by 谷歌翻译