将检索步骤引入自动化相关工作生成任务,提出一种基于知识图谱增强的“规划-检索-生成”三阶段相关工作生成方法,旨在解决现有的端到端生成技术因忽视学术写作结构化思维导致的主题偏移和关键文献遗漏问题。通过引入知识图谱增强规划模块,系统能够捕捉多跳关联关键词,提升研究主题建模的全面性。实验结果表明,该方法在生成质量上较直接生成方法提升4倍,与传统检索增强生成(RAG)方法相比,提升89%。此外,整体较低的文献覆盖率表明规划增强检索是自动化相关工作生成的重要研究方向。

针对共享账户电视推荐场景下的行为序列混合、主导偏好时序变化问题,提出一种基于混合专家的共享账户推荐算法(MoE-SAR)。该方法通过混合专家网络分解行为序列,并利用动态门控机制自适应融合专家输出,以精准识别个体用户特征。同时,MoE-SAR方法引入对比学习策略,以最小化同源专家,增强样本间距离、最大化不同专家的输出间互信息,有效提升表征区分性与稳定性。此外,该方法还结合Transformer进行时序建模,以精准捕捉共享账户中个体用户的个性化偏好。实验结果表明,在HVIDEO数据集的E域上,MoE-SAR在MRR@20上较次优基线提升了24.0%,在 Recall@20上提升了10.8%。在V域上,MRR@20提升了8.0%,Recall@20提升了4.7%。

人体软组织的快速物理建模对手术模拟至关重要。深度学习结合有限元计算的方案解决了传统方案建模效率低下的弊端。然而,已有的研究仅关注软组织受外载时的变形建模,忽略了应力和反力等物理场对手术训练指导性意义。为此,本文提出一种新颖的基于神经网络的软组织快速多物理场建模方案。方案通过紧凑编码软组织所受载荷与机械响应之间的非线性关系实现物理场的快速预测。针对物理场之间存在数量级差异导致网络训练不收敛的问题,引入卷积块注意力模块(convolutional block attention module, CBAM)来动态平衡各个物理场之间的权重,解决大尺度物理场主导模型训练的问题。实验表明,所提方案相较于同类方案可以更加精准、高效地预测软组织受到外部载荷时的多物理场。相比于传统数值方法,以约5%的精度损失实现了上千倍的效率提升,有望为外科模拟等计算机医疗辅助技术提供便利。

联邦学习通过隐私保护实现多方数据价值共享,已在医疗、能源等多个领域得到广泛应用,但异常客户端的存在导致联邦学习模型性能受损,系统效率降低。传统异常客户端检测算法依赖于良性客户端占大多数的假设、在应对复杂攻击时易失效,且缺乏可解释性。针对上述问题,提出一种面向联邦学习的异常客户端检测可视分析方法—FACDVis。所提方法首先基于客户端模型性能演化评估体系,实现可疑客户端与异常迭代轮次的初步筛查;其次,通过模型行为模式分析体系,进一步定位异常客户端及其迭代轮次;最后,借助参数异质性诊断体系,深度分析攻击手段,构建可解释的多维证据链检测框架。实验结果表明,该方法能够在异常客户端数量占到80%以上时,仍然有效应对数据投毒、模型投毒等多种攻击手段,识别平均准确率达到94%。

色彩作为一种重要的视觉编码元素,通常与点、线、面等图元共同表征抽象数据信息。色彩差异影响着可视化的可辨别性以及可读性。相关研究表明,人们感知色彩差异的过程受图元形状和大小的影响,但未阐明这一影响与复杂可视化环境中干扰色彩的关联程度。为此,本文在含有多种干扰色彩的复杂可视化环境中探索散点图、折线图、柱状图等不同可视化形式中的色彩差异感知情况。具体而言,本文生成十万余组具有不同干扰图元以及色彩差异的可视化图像,设计并实现用于验证复杂可视化环境下色彩差异感知的实验系统,基于Prolific众包平台采集用户色彩差异感知数据,多角度分析实验结果并构建不同干扰图元中的色彩差异模型。实验结果表明,可视化环境中的其它干扰色彩对于用户色彩差异感知具有影响,且这一影响与图元形状和大小有紧密关联。

针对低对比度图像分割中灰度不均匀性导致的性能下降问题,本文提出图像分割和偏移场校正联合模型,实现对乘性偏移场,加性偏移场和真实图像的联合估计。在此基础上,设计一种交替极小化方法(alternating minimization method, ADM)来求解此类含多个未知函数的变分泛函极小化问题。在给定条件下,证明ADM方法的收敛性。实验结果表明,本文所构建的图像分割方法在处理低对比度、边界模糊及灰度不均匀图像时具有显著优势。

数字图像加密技术作为信息安全的重要分支,已成为重要的研究热点。目前图像加密多采用低维几何变换,低维几何变换具有小周期性,元素值较为固定,难以抵御穷举攻击,而高维几何变换却不容易构造。本文受二维Fibonacci变换和三维类Fibonacci变换的启发,提出一种基于高维广义Fibonacci变换的量子图像置乱算法。首先,基于等比数列原理,构造两个行列式等于1的特殊高维整数矩阵,使用矩阵操作得到高维广义Fibonacci变换矩阵。其次,由于高维几何变换的大周期性,使用变换的周期性进行解密并不可行,因此构造了高维广义Fibonacci变换的逆变换。最后,基于新型增强量子图像表示模型(novel enhanced quantum representation, NEQR),本文将高维广义Fibonacci变换及其逆变换分别用于量子图像加密和解密过程中。本文算法变换公式多样灵活,可以得到维度很高的加密矩阵。以8位灰度图像加密为例,验证了算法的能行性。仿真实验表明,该算法加密解密效果良好,密钥空间巨大,密钥的随机性较强,具有很好的抗攻击能力。

肖像发型移除技术能高效移除现有发型,生成高保真度的光头图像,为用户提供便捷的虚拟发型更换体验。该技术同时可为3D人脸重建提供无遮挡面部纹理数据,提升3D人脸模型的真实感和细节表现力。然而,由于发型几何结构复杂多变、存在帽饰等物品的遮挡干扰,以及缺乏成对训练数据集,实现高质量的肖像发型移除仍面临重大挑战。现有方法往往难以兼顾身份信息保持和遮挡物去除的双重需求。因此,本文提出一种面向身份信息保持的肖像发型移除框架,用于从肖像图像中移除发型和帽饰等遮挡物,生成自然真实的光头图像。该框架首先采用SegFace人脸语义分割模型获取头发与帽子的掩膜区域,随后训练一个光头生成器专注于掩膜区域内容生成,确保新生成的内容在肤色、阴影效果及语义等方面与原始面部和背景高度兼容,通过增加身份损失约束,在实现发型移除的同时保持身份一致性。针对发饰遮挡这一技术难点(包括长度可变性和样式多样性),本文方法结合面部关键点与Bézier曲线对眉毛下方区域进行拟合,从而减少对身份相关面部区域的干扰。实验结果表明,本文方法能够高效去除各类发型和帽饰遮挡,提升发型迁移效果。

传统复杂部件的设计研发方法中存在CAD(computer-aided design)与CAE(computer-aided engineering)模型转换繁琐、自动化和智能化程度低、设计-仿真-优化方法协同性不足等问题,导致研发效率低下且成本增加。为此,本文基于等几何分析,提出针对复杂部件的智能优化设计方法,实现基于约束变体技术的等几何模型参数化修改与重用、多物理场下变体模型等几何分析仿真验证与力学性能预测优化。通过不同应用场景下的3种典型模型案例,验证参数化约束变体后等几何模型的拓扑一致性与可仿真性,以防撞梁等几何模型优化设计为例,通过可视化平台集成上述方法与求解器,验证数据与模型融合驱动的智能优化设计方法,提高复杂部件优化迭代效率与自主研发能力。

随着数字网络中信息流的快速传输,图像作为关键信息载体,在传输过程中面临着严峻的安全威胁。本文通过在一个四维混沌系统中引入双曲正切忆阻器模型,构建一个新型的五维忆阻混沌系统。首先,通过吸引子相图、耗散性、平衡点稳定性、分岔图和Lyapunov指数等指标系统地分析该系统的动力学特性,结果表明该系统表现出丰富的超混沌行为。其次,将该混沌系统与图像加密算法相结合,设计一种基于置乱-扩散架构的新型加密方案。最后,对该加密算法进行全面的安全性分析。实验结果表明,该算法能够有效抵御多种攻击,具有较高的安全性。

在特定数据点上进行B样条曲线插值建模时,通常需要逆向求解其控制点,并在确定控制点后绘制出符合工程要求的曲线形状。提出一种基于曲线内能最小化的插值型二次B样条控制点反求方法,该方法首先依据内能最小化原则选取关键控制顶点,随后利用递推关系式逐步确定其余所有控制顶点的位置。在控制点确定之后,结合具体的工程需求,通过最小化内能以及最优逼近策略,构造出最优插值曲线。最后,本文通过数值实例验证所提方法的有效性。

针对燃烧模拟中的多物理场耦合问题,本文提出一种基于粒子与多边形表面网格的数值模拟方法。该方法围绕燃烧过程中流体流动、热传导、化学反应、湍流扰动及风场作用等物理过程,建立多物理场耦合模型,并分析燃烧的基本参数与动态演化特性。在耦合建模过程中,重点刻画火焰扩展、热量传播、气流扰动与燃烧反应之间的复杂相互作用及其耦合效应。本文方法能够较准确地模拟燃烧过程中的热量传播、火焰扩展及其对周围环境的影响,进而预测火势扩散路径与潜在危害,并在预测流体流动、热量传递、化学反应与风场扰动等物理过程之间交互作用以及模拟燃烧动态特性方面效果良好。