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驗室，將在國際頂級人工智能會議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，歡迎對數(shù)字人領(lǐng)域有獨到見解的研究者們積極投稿！除此之外，依托此次Workshop，組委會也將舉辦一場數(shù)字人技術(shù)競賽，獲獎隊伍將獲得豐厚獎金，同時有機會分享自己的優(yōu)勝方案，歡迎踴躍報名！

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

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

報告題目：AIGC浪潮下的數(shù)字人云服務(wù)

報告摘要：生成式人工智能AIGC是自動化內(nèi)容生產(chǎn)的技術(shù)合集。最近一年來各類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值。華為云通過盤古基礎(chǔ)大模型賦能 MetaStudio 數(shù)字內(nèi)容生產(chǎn)線，打造了盤古數(shù)字人大模型，提供模型生成和模型驅(qū)動兩大服務(wù)，讓數(shù)字人生于云、長于云。開發(fā)者可以快速生成和驅(qū)動數(shù)字人，賦能在線教育、文娛直播、企業(yè)會議等行業(yè)應(yīng)用，讓人人實現(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Faster R-CNN檢測心臟的邊界框，然后將與邊界框?qū)R的心臟的原始計算機斷層掃描（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)集上實現(xiàn)了91.1%的評分，比基線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，并可擴展到多客戶端渲染場景。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算。討論了如何在效果基礎(chǔ)上利用緩存，并演示了隨著場景中視角數(shù)量增加，節(jié)省了大量的計算。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)，由于其簡單性和固有的一致性，緩存渲染甚至可能在單個單個視角時具有優(yōu)勢。通過分析運行和通信成本，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》提出一種實時為任意場景生成PVS的新算法。該算法是第一個將自動收縮應(yīng)用于無約束3D場景（包括非流形網(wǎng)格）的算法，并使用高效的GPU執(zhí)行模型實時收縮。我們證明了我們的算法為復(fù)雜場景生成了一個緊密的PVS，并優(yōu)于以前的在線方法，用于從視點和從區(qū)域PVS。運行頻率為60 Hz，適用于由數(shù)百萬個三角形組成的現(xiàn)實游戲場景計算PVS。

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

論文《Surface Light Cones: Sharing Direct Illumination for Efficient Multi-viewer Rendering》提出了一種使用存儲在對象表面上的緊湊多光錐來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)動態(tài)場景，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，多個觀眾位于靠近另一個觀眾的位置，例如在虛擬會議、游戲中的聚集地點或在線活動（如虛擬音樂會）中，與傳統(tǒng)的光采樣相比，我們的方法可以將場景中16名觀眾的整體渲染時間減少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是由美國計算機協(xié)會計算機圖形專業(yè)組組織的計算機圖形學(xué)頂級年度會議，該會議有上萬名計算機從業(yè)者參加。本工作提出了一個云原生渲染體系結(jié)構(gòu)，該體系結(jié)構(gòu)可擴展到多客戶端渲染場景。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算。渲染質(zhì)量與屏幕空間方法相當(dāng)，同時當(dāng)幾何體被多個視角查看時降低了計算成本。

論文《Efficient Rendering of Participating Media for Multiple Viewpoints》研究了跨攝像機共享中間計算的視圖對齊緩存方法。此方法適用于多攝像頭場景，如VR和AR的立體聲渲染、本地分屏游戲。此方法依賴于視圖對齊的網(wǎng)格進(jìn)行近場計算，所以能夠捕捉視角面前的高頻陰影。此外，通過使用世界空間緩存結(jié)構(gòu)，根據(jù)每個視角的可見性選擇性地激活遠(yuǎn)程計算，允許共享計算并保持高視覺質(zhì)量。評估結(jié)果表明，在不影響視覺質(zhì)量的情況下，計算成本節(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，將實時渲染體積云的計算移動到云上遠(yuǎn)程服務(wù)器，并在同一虛擬世界中的各視角之間共享計算的可行性。本文利用放置在云層中和直接放置在對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象的表面上，通過共享冗余計算并將其存儲在多個幀上，使得多個視角觀察相同云形成的場景實現(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，并對本文所研究的文獻(xiàn)進(jìn)行了分類。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)”策略可能帶來的成本效率低下問題。作者利用來自中國代表性云邊緣提供商華為云的實際服務(wù)數(shù)據(jù)進(jìn)行了大規(guī)模的測量分析，發(fā)現(xiàn)巨量頻道數(shù)量對云邊緣提供商的運營支出造成了極大的負(fù)擔(dān)，而不平衡的觀眾分布使得邊緣節(jié)點承受了顯著的成本效率低下。

為了解決上述問題，作者提出了一種名為AggCast的新型CLS調(diào)度框架，以優(yōu)化云邊緣提供商的邊緣節(jié)點利用率。AggCast的核心思想是將最初分散在不同地區(qū)的一些觀眾聚合起來，分配給少數(shù)預(yù)先選定的節(jié)點，從而降低帶寬成本。特別地，通過集成從大規(guī)模測量中獲得的有用洞見，AggCast不僅可以確保用戶體驗質(zhì)量（QoS）不會受到降低，還能滿足CLS服務(wù)的系統(tǒng)要求。AggCast已進(jìn)行了A/B測試并完全部署。在線和基于蹤跡的實驗表明，與最普遍的方法相比，AggCast節(jié)省了超過16.3％的源回程（BTS）帶寬成本，同時顯著提高了QoS（啟動延遲，停滯頻率和停滯時間分別降低了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（稱為JDNet）。JDNet用一個模型重建不同質(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）來學(xué)習(xí)DCT系數(shù)到其相應(yīng)原始像素的非線性映射，這與以前DCT網(wǎng)絡(luò)中的線性映射相反，iTNet可以減少逆DCT過程中的誤差傳播，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。實驗結(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)計了一個比循環(huán)收縮特性（loop shrinking）更簡單、直觀、強大算法，對handle and tunnel loop detection問題進(jìn)行了簡化處理。

媒體創(chuàng)新lab實時渲染方向論文《Real-time Deep Radiance Reconstruction from Imperfect Caches》Computer Graphics Forum正式發(fā)表。在本文針對靜態(tài)場景設(shè)計一種通過深度神經(jīng)網(wǎng)絡(luò)與輻射度緩存實現(xiàn)全局光照的實時渲染技術(shù)，方法包括：(1)在三維場景中的每個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)計算階段的時間消耗。 (2) 設(shè)計了一個深度神經(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)的輕量級設(shè)計保證在任意場景下都可以實現(xiàn)優(yōu)秀的實時全局照明效果

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》已在國際頂會Computer Vision and Pattern Recognition上發(fā)表。本文考慮視頻時空超分辨率(ST-VSR)任務(wù)，即同時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)練階段要么固定時間和尺度，要么只接受預(yù)設(shè)的輸入幀數(shù)(例如兩個相鄰幀)無法利用時域上的更多信息。為了解決這些問題，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。為了實現(xiàn)任意時域插值，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動信息并保留輸入幀和預(yù)測幀之間的相似結(jié)構(gòu)。此外，本文設(shè)計了一個內(nèi)存友好的級聯(lián)深度模塊來實現(xiàn)連續(xù)空間上采樣。同時，通過對光流的復(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。實驗表明，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)集上測試均有更好的性能，在客觀評估和主觀視覺效果方面也都表現(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）的弱光增強網(wǎng)絡(luò)。此外，論文還引入了一個局部自適應(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題。實驗結(jié)果表明，該方法在客觀度量和主觀視覺效果方面都優(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)測的JPEG圖像無損重壓縮混合編碼框架(LLJPEG)，包括塊劃分和幀內(nèi)預(yù)測、變換和量化、以及熵編碼。在LLJPEG中，先使用幀內(nèi)預(yù)測獲取預(yù)測塊，然后對預(yù)測塊進(jìn)行DCT變換并量化得到預(yù)測系數(shù)，再用原系數(shù)減去預(yù)測系數(shù)得到DCT系數(shù)殘差，最后對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，并重新設(shè)計了熵編碼。實驗表明，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)集上分別將存儲空間減少29.43%和26.40%，同時保持低解碼復(fù)雜度。

第43屆Eurographics大會于2022年4月25日在法國蘭斯舉辦，媒體創(chuàng)新Lab專家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專家Martin Winter推出GPU編程相關(guān)的在線課程，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AR應(yīng)用中，將物體檢測識別等視覺任務(wù)卸載到邊緣，是一個典型的優(yōu)化方案，然而現(xiàn)有研究中很少考慮大規(guī)模AR用戶帶來的邊緣計算節(jié)點超負(fù)荷問題。本方案提出了一個協(xié)作式移動端緩存與計算方案，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類會議IEEE VR2022。論文鏈接：https://ieeexplore.ieee.org/abstract/document/9714049。

通過在線車展的場景，展示了云原生實時渲染的影視級高畫質(zhì)、實時流暢、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媒體技術(shù)的創(chuàng)新性研究。

360度視頻是VR的一個典型應(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視頻傳輸與移動端播放,相關(guān)論文發(fā)表在CCF A類會議 WWW2021 論文鏈接：https://dl.acm.org/doi/abs/10.1145/3442381.3449829。

來自華為云與上海交通大學(xué)合作項目的論文《Noise-to-Compression Variational Autoencoder for Efficient End-to-End Optimized Image Coding》被DCC會議接收并已發(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)， 實現(xiàn)0.7-5.8dB的BD-PSNR增益 。

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