现有3D网格模型的新型纹理合成是迈向现有模拟器的照片现实资产产生的重要一步。但是现有方法固有地在2D图像空间中起作用，这是从给定的摄像头的角度来看3D空间的投影。这些方法采用摄像头角度，3D模型信息，照明信息并生成逼真的2D图像。为了从另一个角度或照明产生一个逼真的图像，我们需要每次更改参数时进行计算上昂贵的远程通过。同样，很难为可以满足时间约束的模拟器生成此类图像，图像的序列应相似，但只需要根据需要更改照明的观点。该解决方案不能直接与搅拌机和虚幻引擎等现有工具集成。手动解决方案是昂贵且耗时的。因此，我们提出了一个称为Graph生成对抗网络（GGAN）的新系统，该系统可以生成纹理，可以将其直接集成到给定的3D网格模型中，该模型使用Blender和Unreal Engine之类的工具，可以轻松地从任何角度和照明条件进行模拟。

A biological system is a complex network of heterogeneous molecular entities and their interactions contributing to various biological characteristics of the system. However, current biological networks are noisy, sparse, and incomplete, limiting our ability to create a holistic view of the biological system and understand the biological phenomena. Experimental identification of such interactions is both time-consuming and expensive. With the recent advancements in high-throughput data generation and significant improvement in computational power, various computational methods have been developed to predict novel interactions in the noisy network. Recently, deep learning methods such as graph neural networks have shown their effectiveness in modeling graph-structured data and achieved good performance in biomedical interaction prediction. However, graph neural networks-based methods require human expertise and experimentation to design the appropriate complexity of the model and significantly impact the performance of the model. Furthermore, deep graph neural networks face overfitting problems and tend to be poorly calibrated with high confidence on incorrect predictions. To address these challenges, we propose Bayesian model selection for graph convolutional networks to jointly infer the most plausible number of graph convolution layers (depth) warranted by data and perform dropout regularization simultaneously. Experiments on four interaction datasets show that our proposed method achieves accurate and calibrated predictions. Our proposed method enables the graph convolutional networks to dynamically adapt their depths to accommodate an increasing number of interactions.

基于深度神经网络（DNN）的大多数CT图像去噪文献表明，DNN在诸如RMSE，PSNR和SSSIM之类的度量方面优于传统的迭代方法。在许多情况下，使用相同的度量，低剂量输入的DNN结果也显示为与它们的高剂量对应物相当。然而，这些指标不透露如果DNN结果保留细微病变的可见性，或者如果它们改变CT图像属性，例如噪声纹理。因此，在这项工作中，我们寻求研究DNN的图像质量来自整体观点的低剂量CT图像去噪。首先，我们构建一个高级DNN去噪架构的库。该库由DNCNN，U-Net，Red-Net，GaN等的去噪架构组成。接下来，每个网络都被建模，以及培训，使其在PSNR和SSIM方面产生最佳性能。因此，相应地调整了数据输入（例如，培训补丁大小，重建内核）和数字优化输入（例如，小型匹配大小，学习率，丢失功能）。最后，由此培训的网络的输出进一步受到一系列CT台式测试度量，例如对比度的MTF，NPS和HU精度。这些指标用于对DNN输出的低对比度特征，噪声纹理及其CT号精度的分辨率进行更细微的研究，以更好地理解每个DNN算法对图像质量的这些基础属性的影响。

许多现有数据挖掘算法使用直接在其模型中的特征值，使它们对用于测量/表示数据的单位/尺度敏感。已经提出了基于秩转换的数据的预处理作为克服这个问题的潜在解决方案。然而，在使用秩转换预处理后的结果数据均匀分布，这在许多数据挖掘应用中可能不是非常有用的。在本文中，我们基于多个子样本的级别提供了更好且有效的替代方案。我们称之为拟议的预处理技术为ARE |在子样本的集合中的平均排名。我们广泛使用的数据挖掘算法的经验结果，用于在各种数据集中进行分类和异常检测表明，ARE在特定于更加一致的任务方面会导致ares跨各种算法和数据集的结果。除此之外，它会导致大多数时间更好地或竞争的结果与最广泛使用的最大初始化和传统排名转换相比。