神经隐式表面已成为多视图3D重建的重要技术，但它们的准确性仍然有限。在本文中，我们认为这来自难以学习和呈现具有神经网络的高频纹理。因此，我们建议在不同视图中添加标准神经渲染优化直接照片一致性术语。直观地，我们优化隐式几何体，以便以一致的方式扭曲彼此的视图。我们证明，两个元素是这种方法成功的关键：（i）使用沿着每条光线的预测占用和3D点的预测占用和法线来翘曲整个补丁，并用稳健的结构相似度测量它们的相似性; （ii）以这种方式处理可见性和遮挡，使得不正确的扭曲不会给出太多的重要性，同时鼓励重建尽可能完整。我们评估了我们的方法，在标准的DTU和EPFL基准上被称为NeuralWarp，并表明它在两个数据集上以超过20％重建的艺术态度优于未经监督的隐式表面。
translated by 谷歌翻译
在简单的数据集中，在简单的数据集中开发和广泛地进行了深度多视图立体声（MVS）方法，在那里他们现在优于经典方法。在本文中，我们询问控制方案中达到的结论是否仍然有效，在使用互联网照片集合时仍然有效。我们提出了一种评估方法，探讨了深度MVS方法的三个方面的影响：网络架构，培训数据和监督。我们进行了几个关键观察，我们广泛地定量和定性地验证，无论是深度预测和完整的3D重建。首先，复杂的无监督方法无法在野外训练数据。我们的新方法使三个关键要素成为可能：上采样输出，基于Softmin的聚合和单一的重建损失。其次，监督基于深度堤map的MVS方法是用于重建几个互联网图像的最新技术。最后，我们的评估提供了比通常的结果非常不同。这表明在不受控制的方案中的评估对于新架构很重要。
translated by 谷歌翻译
使用完整的患者病史预测临床事件的个人风险仍然是个性化医学的主要挑战。在用于计算个体动态预测的方法中，联合模型具有在辍学时使用所有可用信息的资产。但是，它们仅限于少量的纵向预测因子。我们的目标是提出一种创新的替代解决方案，以使用可能大量的纵向预测变量来预测事件概率。我们开发了Dynforest，这是处理内源性纵向预测因子的竞争风险的随机生存森林的扩展。在树的每个节点上，将时间依赖的预测变量转换为定期特征（使用混合模型），以用作将受试者分为两个亚组的候选者。单个事件的概率是由Aalen-Johansen估计器在每棵树中估算的，该叶子的叶子是根据其预测因子史对受试者进行分类的。最终的个人预测由特定于树特定的个人事件概率的平均值给出。我们进行了一项仿真研究，以证明在小维环境（与关节模型相比）和较大的维环境（与忽略内容丰富的辍学方法的回归校准方法相比）中的DynForest的性能。我们还将DynForest应用于（i）根据认知，功能，血管和神经脱位标记的重复度量预测老年人痴呆的个体概率，以及（ii）量化每种标记物对痴呆预测的重要性。在R软件包DynForest中实施，我们的方法论为预测纵向内生预测变量的事件的方法提供了解决方案。
translated by 谷歌翻译