五月婷婷丁香性爱|j久久一级免费片|久久美女福利视频|中文观看在线观看|加勒比四区三区二|亚洲裸女视频网站|超碰97AV在线69网站免费观看|有码在线免费视频|久久青青日本视频|亚洲国产AAAA

華為云媒體創(chuàng)新Lab聯(lián)合上海交通大學(xué)、慕尼黑工業(yè)大學(xué)、倫敦帝國(guó)理工學(xué)院、西北工業(yè)大學(xué)、西蒙菲莎大學(xué)等高校及華為諾亞方舟實(shí)驗(yàn)室，將在國(guó)際頂級(jí)人工智能會(huì)議AAAI 2024上舉辦主題為“AI for Digital Human”的Workshop，旨在從人工智能視角探討數(shù)字人技術(shù)的發(fā)展，歡迎對(duì)數(shù)字人領(lǐng)域有獨(dú)到見(jiàn)解的研究者們積極投稿！除此之外，依托此次Workshop，組委會(huì)也將舉辦一場(chǎng)數(shù)字人技術(shù)競(jìng)賽，獲獎(jiǎng)隊(duì)伍將獲得豐厚獎(jiǎng)金，同時(shí)有機(jī)會(huì)分享自己的優(yōu)勝方案，歡迎踴躍報(bào)名！

論文《PARF: Primitive-Aware Radiance Fusion for Indoor Scene Novel View Synthesis》提出了一種高效的場(chǎng)景重建方法，具備強(qiáng)大的新視角合成能力及可編輯性。該方法使用語(yǔ)義分割和原始信息提取來(lái)加速神經(jīng)輻射場(chǎng)的構(gòu)建，并將體渲染與原始渲染結(jié)合，形成混合渲染策略。該方法在大量實(shí)驗(yàn)中展現(xiàn)了快速、高質(zhì)量、可編輯的優(yōu)勢(shì)。

9月16日-18日， 2023第十二屆中國(guó)智能產(chǎn)業(yè)高峰論壇（CIIS 2023）將在南昌舉辦。媒體創(chuàng)新lab技術(shù)專(zhuān)家徐迪受邀在大會(huì)作專(zhuān)題報(bào)告。

報(bào)告題目：AIGC浪潮下的數(shù)字人云服務(wù)

報(bào)告摘要：生成式人工智能AIGC是自動(dòng)化內(nèi)容生產(chǎn)的技術(shù)合集。最近一年來(lái)各類(lèi)AIGC 產(chǎn)品集中發(fā)布，從效率、質(zhì)量、多樣性等方面為內(nèi)容生產(chǎn)帶來(lái)深刻變革。AIGC率先在文本生成和圖像生成方面達(dá)到商用水準(zhǔn)，而在難度更高的三維及視頻方向還有很大提升空間。數(shù)字人作為AI技術(shù)的合集和數(shù)字世界的入口，在這波浪潮下有著重要科研和商用價(jià)值。華為云通過(guò)盤(pán)古基礎(chǔ)大模型賦能 MetaStudio 數(shù)字內(nèi)容生產(chǎn)線(xiàn)，打造了盤(pán)古數(shù)字人大模型，提供模型生成和模型驅(qū)動(dòng)兩大服務(wù)，讓數(shù)字人生于云、長(zhǎng)于云。開(kāi)發(fā)者可以快速生成和驅(qū)動(dòng)數(shù)字人，賦能在線(xiàn)教育、文娛直播、企業(yè)會(huì)議等行業(yè)應(yīng)用，讓人人實(shí)現(xiàn)“數(shù)字人自由”

論文《An Improved Combination of Faster R-CNN and U-Net Network for Accurate Multi-Modality Whole Heart Segmentation》介紹了一種結(jié)合Faster R-CNN和3D U-Net (CFUN+)的兩階段多模態(tài)全心分割策略。具體而言，首先通過(guò)Faster R-CNN檢測(cè)心臟的邊界框，然后將與邊界框?qū)R的心臟的原始計(jì)算機(jī)斷層掃描（CT）和磁共振成像（MRI）圖像輸入到3D U-Net中進(jìn)行分割。提出的CFUN+方法通過(guò)將先前的IoU損失函數(shù)替換為CioU損失函數(shù)，重新定義了邊界框損失函數(shù)，即使分割結(jié)果更準(zhǔn)確，也提高了收斂速度。該方法在MM-WHS 2017挑戰(zhàn)的CT數(shù)據(jù)集上實(shí)現(xiàn)了91.1%的評(píng)分，比基線(xiàn)CFUN模型高5.2%。此外，單顆心臟的分割速度也從幾分鐘大幅提高到不到6秒。

論文《Effect-based Multi-viewer Caching for Cloud-native Rendering》探討了云原生渲染架構(gòu)是否可行，并可擴(kuò)展到多客戶(hù)端渲染場(chǎng)景。論文提出了世界空間和表面緩存，以及同一世界中視角之間的共享渲染計(jì)算。討論了如何在效果基礎(chǔ)上利用緩存，并演示了隨著場(chǎng)景中視角數(shù)量增加，節(jié)省了大量的計(jì)算。緩存可以輕松設(shè)置為各種效果，包括環(huán)境遮擋、直接照明和漫反射全局照明。結(jié)果強(qiáng)調(diào)，使用緩存渲染的圖像質(zhì)量與屏幕空間渲染相當(dāng)，由于其簡(jiǎn)單性和固有的一致性，緩存渲染甚至可能在單個(gè)單個(gè)視角時(shí)具有優(yōu)勢(shì)。通過(guò)分析運(yùn)行和通信成本，發(fā)現(xiàn)緩存渲染在多GPU系統(tǒng)中已經(jīng)是可行的。在此研究基礎(chǔ)上，云原生渲染觸手可及。

論文《Trim Regions for Online Computation of From-Region Potentially Visible Sets》提出一種實(shí)時(shí)為任意場(chǎng)景生成PVS的新算法。該算法是第一個(gè)將自動(dòng)收縮應(yīng)用于無(wú)約束3D場(chǎng)景（包括非流形網(wǎng)格）的算法，并使用高效的GPU執(zhí)行模型實(shí)時(shí)收縮。我們證明了我們的算法為復(fù)雜場(chǎng)景生成了一個(gè)緊密的PVS，并優(yōu)于以前的在線(xiàn)方法，用于從視點(diǎn)和從區(qū)域PVS。運(yùn)行頻率為60 Hz，適用于由數(shù)百萬(wàn)個(gè)三角形組成的現(xiàn)實(shí)游戲場(chǎng)景計(jì)算PVS。

與盤(pán)古數(shù)字人大模型融合的MetaStudio數(shù)字人模型生成服務(wù)在HDC.Cloud2023華為開(kāi)發(fā)者大會(huì)上亮相，展示了從零交互式創(chuàng)建數(shù)字人的運(yùn)行體驗(yàn)。

論文《Surface Light Cones: Sharing Direct Illumination for Efficient Multi-viewer Rendering》提出了一種使用存儲(chǔ)在對(duì)象表面上的緊湊多光錐來(lái)表示和緩存直接照明信息的方法。與基于采樣的方法相比，逐步細(xì)化和更新圓錐結(jié)構(gòu)不僅允許適應(yīng)動(dòng)態(tài)場(chǎng)景，而且還導(dǎo)致輸出圖像中的噪聲降低。依靠表面光錐的單視角渲染比隨機(jī)采樣方法快2-3倍，比相同質(zhì)量的reservoir-based采樣快1.5-2倍。在云上，多個(gè)觀(guān)眾位于靠近另一個(gè)觀(guān)眾的位置，例如在虛擬會(huì)議、游戲中的聚集地點(diǎn)或在線(xiàn)活動(dòng)（如虛擬音樂(lè)會(huì)）中，與傳統(tǒng)的光采樣相比，我們的方法可以將場(chǎng)景中16名觀(guān)眾的整體渲染時(shí)間減少20倍。而且，表面光錐可以顯著降低噪音。

媒體創(chuàng)新Lab專(zhuān)家將于2023年8月9日，在SIGGRAPH上分享云源生渲染的最新研究進(jìn)展《Effect-based Multi-viewer Caching for Cloud-native Rendering》。SIGGRAPH是由美國(guó)計(jì)算機(jī)協(xié)會(huì)計(jì)算機(jī)圖形專(zhuān)業(yè)組組織的計(jì)算機(jī)圖形學(xué)頂級(jí)年度會(huì)議，該會(huì)議有上萬(wàn)名計(jì)算機(jī)從業(yè)者參加。本工作提出了一個(gè)云原生渲染體系結(jié)構(gòu)，該體系結(jié)構(gòu)可擴(kuò)展到多客戶(hù)端渲染場(chǎng)景。我們的系統(tǒng)使用世界空間和表面緩存在虛擬世界中跨查看器共享渲染計(jì)算。渲染質(zhì)量與屏幕空間方法相當(dāng)，同時(shí)當(dāng)幾何體被多個(gè)視角查看時(shí)降低了計(jì)算成本。

論文《Efficient Rendering of Participating Media for Multiple Viewpoints》研究了跨攝像機(jī)共享中間計(jì)算的視圖對(duì)齊緩存方法。此方法適用于多攝像頭場(chǎng)景，如VR和AR的立體聲渲染、本地分屏游戲。此方法依賴(lài)于視圖對(duì)齊的網(wǎng)格進(jìn)行近場(chǎng)計(jì)算，所以能夠捕捉視角面前的高頻陰影。此外，通過(guò)使用世界空間緩存結(jié)構(gòu)，根據(jù)每個(gè)視角的可見(jiàn)性選擇性地激活遠(yuǎn)程計(jì)算，允許共享計(jì)算并保持高視覺(jué)質(zhì)量。評(píng)估結(jié)果表明，在不影響視覺(jué)質(zhì)量的情況下，計(jì)算成本節(jié)約高達(dá)50%以上。

論文《Clouds in the Cloud: Efficient Cloud-Based Rendering of Real-Time Volumetric Clouds》研究了在不損害最終渲染的感知質(zhì)量的前提下，將實(shí)時(shí)渲染體積云的計(jì)算移動(dòng)到云上遠(yuǎn)程服務(wù)器，并在同一虛擬世界中的各視角之間共享計(jì)算的可行性。本文利用放置在云層中和直接放置在對(duì)象表面的緩存提出了一種有效的體積云和云陰影渲染方法。體積云陰影直接緩存在接收對(duì)象的表面上，通過(guò)共享冗余計(jì)算并將其存儲(chǔ)在多個(gè)幀上，使得多個(gè)視角觀(guān)察相同云形成的場(chǎng)景實(shí)現(xiàn)了高效渲染。

論文《Human 3D Avatar Modeling with Implicit Neural Representation: A Brief Survey》全面綜述了隱式神經(jīng)表示在人體建模中的應(yīng)用。首先，介紹了占用域、SDF和NeRF的三種隱式表示，并對(duì)本文所研究的文獻(xiàn)進(jìn)行了分類(lèi)。然后分別比較分析了隱式建模方法在身體、手和頭部中的應(yīng)用。最后，指出了目前工作的不足，并為研究人員提供了可用的建議。

論文《Practical Cloud-Edge Scheduling for Large-Scale Crowdsourced Live Streaming》已被IEEE Transactions 旗艦期刊TPDS接收。本文針對(duì)云邊緣提供商提供的大規(guī)模眾包直播（CLS）服務(wù)，探討了傳統(tǒng)智慧“就近服務(wù)”策略可能帶來(lái)的成本效率低下問(wèn)題。作者利用來(lái)自中國(guó)代表性云邊緣提供商華為云的實(shí)際服務(wù)數(shù)據(jù)進(jìn)行了大規(guī)模的測(cè)量分析，發(fā)現(xiàn)巨量頻道數(shù)量對(duì)云邊緣提供商的運(yùn)營(yíng)支出造成了極大的負(fù)擔(dān)，而不平衡的觀(guān)眾分布使得邊緣節(jié)點(diǎn)承受了顯著的成本效率低下。

為了解決上述問(wèn)題，作者提出了一種名為AggCast的新型CLS調(diào)度框架，以?xún)?yōu)化云邊緣提供商的邊緣節(jié)點(diǎn)利用率。AggCast的核心思想是將最初分散在不同地區(qū)的一些觀(guān)眾聚合起來(lái)，分配給少數(shù)預(yù)先選定的節(jié)點(diǎn)，從而降低帶寬成本。特別地，通過(guò)集成從大規(guī)模測(cè)量中獲得的有用洞見(jiàn)，AggCast不僅可以確保用戶(hù)體驗(yàn)質(zhì)量（QoS）不會(huì)受到降低，還能滿(mǎn)足CLS服務(wù)的系統(tǒng)要求。AggCast已進(jìn)行了A/B測(cè)試并完全部署。在線(xiàn)和基于蹤跡的實(shí)驗(yàn)表明，與最普遍的方法相比，AggCast節(jié)省了超過(guò)16.3％的源回程（BTS）帶寬成本，同時(shí)顯著提高了QoS（啟動(dòng)延遲，停滯頻率和停滯時(shí)間分別降低了12.3％，4.57％和3.91％）。

論文《JPEG Decoding With Nonlinear Inverse Transform Network and Progressive Recurrent Residual Network》提出了一種基于非線(xiàn)性逆變換網(wǎng)絡(luò)和漸進(jìn)遞歸殘差網(wǎng)絡(luò)的JPEG解碼方法（稱(chēng)為JDNet）。JDNet用一個(gè)模型重建不同質(zhì)量因子(QF)的JPEG圖像。在JDNet中，首先提出了基于CNN的逆變換網(wǎng)絡(luò)（iTNet）來(lái)學(xué)習(xí)DCT系數(shù)到其相應(yīng)原始像素的非線(xiàn)性映射，這與以前DCT網(wǎng)絡(luò)中的線(xiàn)性映射相反，iTNet可以減少逆DCT過(guò)程中的誤差傳播，獲得更準(zhǔn)確的重建信息。此外，iTNet可以與任何JPEG后處理方法結(jié)合使用，以提高其性能。其次，在設(shè)計(jì)的后處理網(wǎng)絡(luò)中，提出了漸進(jìn)遞歸殘差網(wǎng)絡(luò)（PRRN）用于局部特征提取，該網(wǎng)絡(luò)利用多尺度空間（LNLMS）中的局部和非局部相似性，進(jìn)一步提高解碼圖像質(zhì)量。實(shí)驗(yàn)結(jié)果表明，與JPEG、ARCNN、DnCNN和STRRN相比，JDNet在Live1數(shù)據(jù)集上的平均增益分別為1.88dB、0.63dB、0.35dB、0.24dB，在城市100數(shù)據(jù)集上的平均增益分別為2.61dB、1.11dB、0.69dB和0.29dB。BSD500數(shù)據(jù)集上分別為1.91dB、0.69dB、0.37dB和0.13dB。

論文《A Variational Loop Shrinking Analogy for Handle and Tunnel Detection and Reeb Graph Construction on Surfaces》設(shè)計(jì)了一個(gè)比循環(huán)收縮特性（loop shrinking）更簡(jiǎn)單、直觀(guān)、強(qiáng)大算法，對(duì)handle and tunnel loop detection問(wèn)題進(jìn)行了簡(jiǎn)化處理。

媒體創(chuàng)新lab實(shí)時(shí)渲染方向論文《Real-time Deep Radiance Reconstruction from Imperfect Caches》Computer Graphics Forum正式發(fā)表。在本文針對(duì)靜態(tài)場(chǎng)景設(shè)計(jì)一種通過(guò)深度神經(jīng)網(wǎng)絡(luò)與輻射度緩存實(shí)現(xiàn)全局光照的實(shí)時(shí)渲染技術(shù)，方法包括：(1)在三維場(chǎng)景中的每個(gè)三角形重心處引入了低質(zhì)量緩存用于烘焙全局光照效果下的出射輻射度。緩存的低采樣率和低分辨率有效減少了預(yù)計(jì)算階段的時(shí)間消耗。 (2) 設(shè)計(jì)了一個(gè)深度神經(jīng)網(wǎng)絡(luò)，在G-buffer信息的指導(dǎo)下，從低質(zhì)量的輸入推理出高質(zhì)量的圖像。該網(wǎng)絡(luò)的輕量級(jí)設(shè)計(jì)保證在任意場(chǎng)景下都可以實(shí)現(xiàn)優(yōu)秀的實(shí)時(shí)全局照明效果

媒體創(chuàng)新Lab與武漢大學(xué)合作的論文《Continuous Space-Time Video Super-Resolution Utilizing Long-Range Temporal Information》已在國(guó)際頂會(huì)Computer Vision and Pattern Recognition上發(fā)表。本文考慮視頻時(shí)空超分辨率(ST-VSR)任務(wù)，即同時(shí)將源視頻超分到更高的幀率和分辨率。然而，大多數(shù)現(xiàn)有方案在訓(xùn)練階段要么固定時(shí)間和尺度，要么只接受預(yù)設(shè)的輸入幀數(shù)(例如兩個(gè)相鄰幀)無(wú)法利用時(shí)域上的更多信息。為了解決這些問(wèn)題，本文提出了一種連續(xù)ST-VSR(C-STVSR)方法，可以將給定視頻轉(zhuǎn)換為任何幀率和分辨率。為了實(shí)現(xiàn)任意時(shí)域插值，我們提出了前向變形引導(dǎo)幀合成模塊和光流引導(dǎo)上下文一致性損失函數(shù)，以更好地逼近極端的運(yùn)動(dòng)信息并保留輸入幀和預(yù)測(cè)幀之間的相似結(jié)構(gòu)。此外，本文設(shè)計(jì)了一個(gè)內(nèi)存友好的級(jí)聯(lián)深度模塊來(lái)實(shí)現(xiàn)連續(xù)空間上采樣。同時(shí)，通過(guò)對(duì)光流的復(fù)雜重組，使得從大跨度的相鄰幀信息傳播成為可能，從而得到更好的重建質(zhì)量。實(shí)驗(yàn)表明，與業(yè)界最先進(jìn)的方法相比，本文所提出的算法具有更好的靈活性，在各種數(shù)據(jù)集上測(cè)試均有更好的性能，在客觀(guān)評(píng)估和主觀(guān)視覺(jué)效果方面也都表現(xiàn)出色。

論文《Learning a Single Convolutional Layer Model for Low Light Image Enhancement》提出了一種單卷積層模型（SCLM）的弱光增強(qiáng)網(wǎng)絡(luò)。此外，論文還引入了一個(gè)局部自適應(yīng)模塊，該模塊學(xué)習(xí)一組共享參數(shù)，以完成局部照明校正，以解決不同圖像區(qū)域中不同曝光水平的問(wèn)題。實(shí)驗(yàn)結(jié)果表明，該方法在客觀(guān)度量和主觀(guān)視覺(jué)效果方面都優(yōu)于最先進(jìn)的LLI方法。此外，與其他基于學(xué)習(xí)的方案相比，此方法具有更少的參數(shù)和更低的推理復(fù)雜度。

媒體創(chuàng)新Lab與哈爾濱工業(yè)大學(xué)合作的論文《Lossless Recompression of JPEG Images Using Transform Domain Intra Prediction》在IEEE Transactions 旗艦期刊Image Processing上發(fā)表。本文提出了一種基于變換域幀內(nèi)預(yù)測(cè)的JPEG圖像無(wú)損重壓縮混合編碼框架(LLJPEG)，包括塊劃分和幀內(nèi)預(yù)測(cè)、變換和量化、以及熵編碼。在LLJPEG中，先使用幀內(nèi)預(yù)測(cè)獲取預(yù)測(cè)塊，然后對(duì)預(yù)測(cè)塊進(jìn)行DCT變換并量化得到預(yù)測(cè)系數(shù)，再用原系數(shù)減去預(yù)測(cè)系數(shù)得到DCT系數(shù)殘差，最后對(duì)DCT殘差進(jìn)行熵編碼。在LLJPEG中，提出了一些新的編碼工具用于幀內(nèi)預(yù)測(cè)，并重新設(shè)計(jì)了熵編碼。實(shí)驗(yàn)表明，LLJPEG可以在不損失JPEG圖像品質(zhì)的情況下，在Kodak和DIV2K數(shù)據(jù)集上分別將存儲(chǔ)空間減少29.43%和26.40%，同時(shí)保持低解碼復(fù)雜度。

第43屆Eurographics大會(huì)于2022年4月25日在法國(guó)蘭斯舉辦，媒體創(chuàng)新Lab專(zhuān)家Markus Steinberger和Martin Winter受邀在Tutorial Program做了題為《Modern CUDA and Applications to Task-based Programming》的主題分享，詳細(xì)介紹了現(xiàn)代CUDA toolkit的使用，并重點(diǎn)闡述了基于任務(wù)的GPU程序該如何應(yīng)用CUDA的新特性。

2022年3月30日，媒體創(chuàng)新Lab專(zhuān)家Martin Winter推出GPU編程相關(guān)的在線(xiàn)課程，該課程面向初學(xué)者，系統(tǒng)性地講解了GPU編程的基本原理，以及CUDA的相關(guān)工具等。課程鏈接：https://www.youtube.com/playlist?list=PLSCEnLr7dXKgR5Z_QPUamgUteYE7sPRqx。

在移動(dòng)AR應(yīng)用中，將物體檢測(cè)識(shí)別等視覺(jué)任務(wù)卸載到邊緣，是一個(gè)典型的優(yōu)化方案，然而現(xiàn)有研究中很少考慮大規(guī)模AR用戶(hù)帶來(lái)的邊緣計(jì)算節(jié)點(diǎn)超負(fù)荷問(wèn)題。本方案提出了一個(gè)協(xié)作式移動(dòng)端緩存與計(jì)算方案，有效提升了邊緣系統(tǒng)的整體性能，相關(guān)論文發(fā)表在CCF A類(lèi)會(huì)議IEEE VR2022。論文鏈接：https://ieeexplore.ieee.org/abstract/document/9714049。

通過(guò)在線(xiàn)車(chē)展的場(chǎng)景，展示了云原生實(shí)時(shí)渲染的影視級(jí)高畫(huà)質(zhì)、實(shí)時(shí)流暢、支持多種端側(cè)形態(tài)等特性。

媒體創(chuàng)新Lab成立，聚焦于公有云中未來(lái)媒體技術(shù)的創(chuàng)新性研究。

360度視頻是VR的一個(gè)典型應(yīng)用，當(dāng)前市面上的系統(tǒng)最高可支持8K分辨率的360視頻傳輸與播放。借由邊緣GPU轉(zhuǎn)碼，本方案能夠提供高品質(zhì)的16K分辨率VR視頻傳輸與移動(dòng)端播放,相關(guān)論文發(fā)表在CCF A類(lèi)會(huì)議 WWW2021 論文鏈接：https://dl.acm.org/doi/abs/10.1145/3442381.3449829。

來(lái)自華為云與上海交通大學(xué)合作項(xiàng)目的論文《Noise-to-Compression Variational Autoencoder for Efficient End-to-End Optimized Image Coding》被DCC會(huì)議接收并已發(fā)表。本文提出了一種基于深度學(xué)習(xí)的圖像壓縮方法，相比標(biāo)準(zhǔn)方法，在0.07-0.25bpp范圍內(nèi)， 實(shí)現(xiàn)0.7-5.8dB的BD-PSNR增益 。

來(lái)自華為云與上海交通大學(xué)合作項(xiàng)目的論文《Lossless Compression for Video Streams with Frequency Prediction and Macro Block Merging》被DCC會(huì)議接收并已發(fā)表。本文提出了一種無(wú)損的視頻壓縮方法，相比H.264/AVC 和 HEVC編碼視頻，在標(biāo)準(zhǔn)測(cè)試序列和監(jiān)控視頻上實(shí)現(xiàn) 17.38% 和 10.85% 的壓縮增益。