斑块测定是量化复制能力裂解病毒体浓度的黄金标准方法。加快和自动化病毒斑块分析将显着受益于临床诊断，疫苗开发以及重组蛋白或抗病毒药的产生。在这里，我们使用无透明全息成像和深度学习提出了快速且无染色的定量病毒斑块测定法。这种具有成本效益，紧凑和自动化的设备可显着减少传统斑块测定所需的孵化时间，同时保留其优于其他病毒定量方法的优势。该设备以每次测试井的对象捕获〜0.32 Giga像素/小时的相位信息，以无标签的方式覆盖约30x30 mm^2的面积，完全消除了染色。我们使用Vero E6细胞和囊泡气孔病毒证明了这种计算方法的成功。使用神经网络，此无染色装置最早在孵育后5小时内自动检测到第一个细胞裂解事件，并以100％的形式达到了> 90％的检测率（PFU）与传统的斑块测定法相比，特异性在<20小时内，可节省大量时间，而传统的牙菌斑测定时间约为48小时或更长时间。该数据驱动的牙菌斑测定还提供了量化细胞单层感染区域的能力，比标准病毒斑块分析的病毒浓度大10倍，对PFU和病毒感染区域进行自动计数和定量。这种紧凑，低成本的自动PFU定量设备可以广泛用于病毒学研究，疫苗开发和临床应用

The vision community has explored numerous pose guided human editing methods due to their extensive practical applications. Most of these methods still use an image-to-image formulation in which a single image is given as input to produce an edited image as output. However, the problem is ill-defined in cases when the target pose is significantly different from the input pose. Existing methods then resort to in-painting or style transfer to handle occlusions and preserve content. In this paper, we explore the utilization of multiple views to minimize the issue of missing information and generate an accurate representation of the underlying human model. To fuse the knowledge from multiple viewpoints, we design a selector network that takes the pose keypoints and texture from images and generates an interpretable per-pixel selection map. After that, the encodings from a separate network (trained on a single image human reposing task) are merged in the latent space. This enables us to generate accurate, precise, and visually coherent images for different editing tasks. We show the application of our network on 2 newly proposed tasks - Multi-view human reposing, and Mix-and-match human image generation. Additionally, we study the limitations of single-view editing and scenarios in which multi-view provides a much better alternative.

动画字符上的现实动态服装具有许多AR/VR应用程序。在创作这种动态服装几何形状仍然是一项具有挑战性的任务时，数据驱动的模拟提供了一个有吸引力的替代方案，尤其是如果可以简单地使用基础字符的运动来控制它。在这项工作中，我们专注于动态3D服装，尤其是对于松散的服装。在数据驱动的设置中，我们首先学习了合理服装几何形状的生成空间。然后，我们学会了对该空间的映射，以捕获运动依赖的动态变形，该变形在服装的先前状态以及相对于基础体的相对位置为条件。从技术上讲，我们通过在服装的规范状态下预测富含框架依赖的皮肤重量的服装状态下的人均局部位移来对服装动力学进行建模，从而将服装带入全球空间。我们通过预测剩余的局部位移来解决所有剩余的人均碰撞。所得的服装几何形状被用作历史记录，以实现迭代推出预测。我们证明了对看不见的身体形状和运动输入的合理概括，并在多个最新的替代方案中显示出改进。

本文详细概述了将连续学习（CL）应用于单课的人类机器人互动（HRI）会议（AVG。31 +-10分钟）的案例研究，其中机器人的心理健康教练是积极的（n = 20）参与者的心理学（PP）练习。我们介绍了互动会议后与参与者进行的简短半结构访谈记录的数据的主题分析（TA）的结果，以及对统计结果的分析，证明了参与者的个性如何影响他们如何看待机器人的方式及其互动。

最近十年表明，人们对机器人作为福祉教练的兴趣越来越大。但是，尚未提出针对机器人设计作为促进心理健康的教练的凝聚力和全面的准则。本文详细介绍了基于基于扎根理论方法的定性荟萃分析的设计和道德建议，该方法是通过三项以用户为中心的涉及机器人福祉教练的三个不同的以用户为中心进行的，即：（1）与参与性设计研究一起进行的。 11名参与者由两位潜在用户组成，他们与人类教练一起参加了简短的专注于解决方案的实践研究，以及不同学科的教练，（2）半结构化的个人访谈数据，这些数据来自20名参加积极心理学干预研究的参与者借助机器人福祉教练胡椒，（3）与3名积极心理学研究的参与者以及2名相关的福祉教练进行了一项参与式设计研究。在进行主题分析和定性荟萃分析之后，我们将收集到收敛性和不同主题的数据整理在一起，并从这些结果中提炼了一套设计准则和道德考虑。我们的发现可以在设计机器人心理福祉教练时考虑到关键方面的关键方面。

从2D图像中估算3D人的姿势和形状是一项至关重要但具有挑战性的任务。虽然先前具有基于模型表示的方法可以在全身图像上表现出色，但当身体的一部分被遮住或框架外面时，它们通常会失败。此外，这些结果通常不会忠实地捕获人类的轮廓，因为它们的可变形模型有限（例如，仅代表裸体）。另一种方法是估计图像空间中预定义模板主体的密集顶点。这样的表示有效地将顶点定位在图像中，但无法处理框架外的身体部位。在这项工作中，我们学习了对部分观察的强大人体估计。我们明确地对X，Y和Z轴中人类关节和顶点的可见性进行了建模。 X和Y轴中的可见性有助于区分框架外情况，深度轴的可见性对应于闭塞（其他对象的自我闭合或遮挡）。我们从密集的紫外线对应关系中获得可见性标签的伪基，并训练神经网络以预测可见性以及3D坐标。我们表明，可见性可以用作1）额外的信号，以解决自锁定顶点的歧义深度的歧义，以及2）将人体模型拟合到预测时的正则化项。对多个3D人类数据集进行的广泛实验表明，可见性建模显着提高了人体估计的准确性，尤其是对于部分体型病例。我们的带代码的项目页面at：https：//github.com/chhankyao/visdb。

尽管最近取得了成功，但基于学习的深度学习方法用于预测身体运动下的3D服装变形，却遇到了服装与身体之间的互穿问题。为了解决这个问题，我们提出了一种新颖的碰撞处理神经网络层，称为排斥力单位（REFU）。根据基础主体的签名距离函数（SDF）和当前的服装顶点位置，Repu预测了将任何互穿顶点推向无冲突的配置，同时保留精细的几何学细节，这些偏移量将任何互穿顶点推向无冲突的配置。我们表明，RECU可以通过可训练的参数进行区分，并且可以集成到预测3D服装变形的不同网络骨架中。我们的实验表明，与基于碰撞损失或后处理优化的先前方法相比，相比，RECU可显着减少身体与服装之间的碰撞数量，并更好地保留几何细节。

结构节点嵌入，向量捕获图中每个节点的局部连接信息，在数据挖掘和机器学习中具有许多应用程序，例如网络对齐和节点分类，群集和异常检测。为了分析有向图的分析，例如交易图，通信网络和社交网络，在结构节点嵌入中捕获定向信息的能力是非常需要的，嵌入式提取方法的可伸缩性也是如此。然而，大多数现有方法仅为无向图设计。因此，我们提出了DigraphWave - 一种可扩展的算法，用于在有向图上提取结构节点嵌入。 DigraphWave嵌入由压缩扩散模式特征组成，它们的增强是两倍，以增加其区分能力。通过证明扩散初始化节点的局部附近的热量上的下限，建立了理论上是合理的扩散时间尺度值，而DigraphWave仅留下两个易于解释的超级标准：嵌入式维度和邻域分辨率指定器。在我们的实验中，两种嵌入的增强功能（称为换位和聚集）被证明会导致对自动形态身份分类的宏F1得分显着提高，而DigraphWave优于所有其他结构性嵌入碱基。此外，digraphwave要么胜过或匹配真实图形数据集上所有基准的性能，在网络对齐任务中显示出特别大的性能增益，同时也可以扩展到具有数百万节点和边缘的图形，比以前的速度快30倍基于扩散模式的方法，并具有一部分内存消耗。

维持现实世界中的人类机器人相互作用需要机器人对人类行为特质敏感，并适应其感知和行为模型以满足这些个人偏好。对于情感机器人，这需要学习适应个人情感行为，以为每个人提供个性化的互动体验。持续学习（CL）已被证明可以在代理中实时适应，从而使他们能够通过逐步获得的数据学习，同时保留过去的知识。在这项工作中，我们提出了一个新颖的框架，用于使用基于CL的感知机制对个性化的人类机器人相互作用进行现实应用，以建模个性化的人类机器人相互作用。为了评估所提出的框架，我们使用三种相互作用行为的变体与20名参与者进行概念证明的用户研究：静态和脚本化，使用基于情感的适应性而无需个性化，并将基于情感的适应性与基于情感的适应持续个性化。我们的结果表明，参与者对基于CL的持续个性化的明显偏好，在机器人的拟人化，动画和可爱性等级以及相互作用中观察到的显着改善，以及与机器人在机器人中的评分显着更高的相互作用，因为机器人的评价明显更好。了解参与者的感受。

Most graph neural network models rely on a particular message passing paradigm, where the idea is to iteratively propagate node representations of a graph to each node in the direct neighborhood. While very prominent, this paradigm leads to information propagation bottlenecks, as information is repeatedly compressed at intermediary node representations, which causes loss of information, making it practically impossible to gather meaningful signals from distant nodes. To address this issue, we propose shortest path message passing neural networks, where the node representations of a graph are propagated to each node in the shortest path neighborhoods. In this setting, nodes can directly communicate between each other even if they are not neighbors, breaking the information bottleneck and hence leading to more adequately learned representations. Theoretically, our framework generalizes message passing neural networks, resulting in provably more expressive models, and we show that some recent state-of-the-art models are special instances of this framework. Empirically, we verify the capacity of a basic model of this framework on dedicated synthetic experiments, and on real-world graph classification and regression benchmarks, and obtain state-of-the-art results.