B-spline
PulseAugur coverage of B-spline — every cluster mentioning B-spline across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新的FAN-LoRA方法改进了基础模型的医学图像分割
研究人员开发了FAN-LoRA，一种将视觉基础模型（如分割一切模型（SAM））适配到医学成像领域的新方法。现有方法在处理域偏移时存在困难，导致性能下降。FAN-LoRA通过解耦频率分量来解决这个问题，使用B样条驱动的低通分支处理全局结构，并使用傅里叶高通分支处理局部纹理。实验表明，FAN-LoRA在提高Dice分数和减少医学成像基准测试中的边界误差方面优于现有方法。
-
新型无网格神经网络高精度模拟脆性断裂
研究人员开发了一种新颖的无网格方法，使用单个神经网络来模拟脆性断裂，无需显式裂纹跟踪。该方法采用基于B样条网格的多分辨率特征编码和分层蒙特卡洛积分来表示位移和相场。该方法在各种断裂问题中表现出强大的性能，在载荷-位移曲线精度方面可与有限元方法相媲美，并在裂纹分类基准测试中优于深度Ritz基线。
-
新的B样条框架提高了三维牙齿分割精度
研究人员开发了一种名为B样条嵌入结构学习的新颖框架，用于精确的三维牙齿分割。该方法解决了数字牙科中由拥挤和形态相似等复杂牙齿排列带来的挑战。该框架通过将B样条轨迹拟合到牙齿中心来整合连续结构约束，将结构信息嵌入表示空间。它还引入了一个结构感知动态分类器（SADC），该分类器使用自适应决策边界和高斯邻近门来提高在3DTeethSeg22等基准上的分割精度和鲁棒性。
-
新研究对比了 B 样条和神经隐式方法在图像配准中的应用
一篇新研究论文探讨了形变先验对连续形变图像配准方法的影响。该研究将传统的 B 样条变换与较新的基于神经隐式表示（INR）的方法进行了比较，并在脑部 MRI 和肺部 CT 数据集上评估了它们的性能。研究结果表明，配准的有效性高度依赖于将方法的固有形变先验与目标数据的特定运动模式相匹配。
-
新方法重建三维几何以直接用于CAD和仿真
研究人员开发了FORGE-SIM，一种从稀疏RGB图像重建三维几何的新方法，该方法直接兼容CAD和仿真工作流程。该方法优化了多块B样条边界表示，无需手动干预即可生成平滑、防水的模型。该系统还可以将观察得出的场（如热状态和语义信息）投影到这些模型上，从而能够立即用于热分析和模态分析等仿真。这种统一旨在弥合计算机视觉和数值分析之间的差距，从而促进仿真驱动设计和数字孪生中的新工作流程。
-
新的PI-样条架构为物理信息学习提供了稳定的替代方案
研究人员引入了物理信息样条（PI-Splines），一种用于物理信息学习的新型架构，它直接使用B样条展开来参数化未知场。该方法通过提供紧凑支撑、显式平滑控制和解析导数，在传统神经网络方法之上提供了优势。PI-Splines已在基准问题上进行了评估，并展示了具有竞争力和稳定的性能，特别是在结构化表示和参数效率有益的情况下。
-
新的PIE-PINN框架增强了从噪声数据中估计弹性特性的能力
研究人员开发了一个概率逆弹性物理信息神经网络（PIE-PINN）框架，该框架旨在从噪声和低分辨率的位移数据中稳健地估计非均匀弹性特性。该新框架使用拉普拉斯分布来建模观测、应变差异和平衡残差。它结合了B样条引导的位移网络和分层半柯西模型，以提高准确性并自适应地降低拟合误差的权重，在不同噪声水平和分辨率的案例研究中表现出显著的稳健性。
-
新研究详细介绍了通过深度展开进行3D点云属性压缩
一篇新的arXiv研究论文介绍了一种压缩3D点云属性的方法。该方法利用多分辨率B样条框架和源自率失真优化的前馈网络。该网络包含一个促进稀疏性的L1范数以增强系数预测，并且设计为端到端可微。
-
DynFly框架通过连续轨迹生成增强无人机导航
研究人员开发了DynFly，一个旨在改善城市环境中无人机（UAV）连续轨迹生成的新框架。该系统通过使用在B样条控制点上通过流匹配训练的Spline-DiT生成器，弥合了高级导航推理与可执行无人机运动之间的差距。DynFly整合了动态感知监督，考虑了位置、速度、加速度和航向一致性等因素，以确保生成的轨迹与无人机的运动特性保持一致。在OpenUAV基准上的实验表明，与现有方法相比，导航性能和轨迹质量有了显著提高。
-
新框架通过双先验学习增强医学图像超分辨率
研究人员开发了一种名为双先验零空间学习（DP-NSL）的新框架，用于医学成像中的任意切片超分辨率。该方法通过合成任意尺度的中间切片，从各向异性的临床采集数据中重建各向同性的三维体积。DP-NSL将问题重新表述为约束恢复过程，使用测量一致性投影（Measurement-Consistent Projection）确保精确重现采集到的切片，并使用样条混合模块（Mixture-of-Splines）施加几何连续性。在CT和MRI数据上的实验…
-
新指标评估 Kolmogorov-Arnold 网络面向硬件的推理复杂度
一篇新论文介绍了用于评估 Kolmogorov-Arnold 网络 (KANs) 推理复杂度的面向硬件的指标。这些指标包括实际乘法运算 (RM)、比特运算 (BOP) 以及加法和比特移位次数 (NABS)，旨在实现平台无关性，并有助于早期架构决策。分析涵盖了 B-spline、GRBF、Chebyshev 和 Fourier KANs 等各种 KAN 变体，能够与其他神经网络架构进行比较。
-
新的KAN框架和变体提高了研究和效率
研究人员开发了KANLib，一个旨在通过整合现有实现（如PyKAN、EfficientKAN和FastKAN）的特性来简化Kolmogorov-Arnold网络（KANs）研究的新框架。同时，引入了一个名为MKAN的新变体，它通过B样条系数的指数重新参数化，理论上保证了KANs的单调性。此外，PH-KAN为使用KANs进行非线性系统识别提供了一种保留结构的方法，提高了可解释性。最后，QuantKAN为KANs的量化提供了一个统一的…
-
新的3D轨迹世界模型增强了可扩展的机器人学习
研究人员开发了$\mu_0$，一种新颖的机器人世界模型，它利用3D交互轨迹来预测显著物体和点的运动。这种方法绕过了对特定于具身行为的动作标签的需求，从而实现了更具可扩展性的机器人学习。该系统借助TraceExtract工具自动提取3D监督信息，并使用模块化轨迹专家预训练视觉语言骨干网络。实验表明，$\mu_0$的表现优于现有的轨迹预测模型和标记化VLM方法，确立了3D轨迹作为可转移的操纵任务表示。
-
自适应RBF-KAN通过新的核函数和数据驱动的形状参数提高了效率
研究人员开发了一种名为自适应RBF-KAN的Kolmogorov-Arnold网络（KANs）的增强版本，提高了计算效率和灵活性。这种新方法用更广泛的核函数族（包括Matérn和Wendland类型）取代了FastKAN中使用的固定高斯径向基函数。自适应RBF-KAN利用留一法交叉验证对核形状参数进行数据驱动的初始化，并在网络训练期间进一步优化。在基准函数上的评估证明了自适应核选择和形状参数对于各种数据模式的有效性。
-
新的4D曲线框架实现了统一的3D几何抽象
研究人员利用单一、连续的4D曲线开发了一种新颖的3D几何抽象框架。该方法被参数化为具有空间坐标和可变宽度的B样条，能够以全局拓扑一致性表示复杂的体积形式，这与使用独立曲线段集合的方法不同。该框架将3D草图转换为全局路由问题，通过支持诸如Score Distillation Sampling (SDS)和CLIP等信号的基于梯度的优化，以及一个可微分渲染管线，来增强结构一致性和美观性。应用包括图像到3D抽象和多视图曲线艺术生成，产生了具…