摘要：本文旨在探索基于共情需求的AIGC产品设计,以提高产品与用户之间的情感沟通和交互体验。随着科技的发展,当代设计越来越注重用户体验,注重设计的个性化,共情需求是设计中重要的一部分。基于共情需求的产品能带给用户更好的体验感。为此,本文提出将AIGC技术与共情需求结合,探讨如何让产品带给用户更好的体验感和满意度。本研究首先介绍了共情设计的概念以及发展现状,接着探讨了AIGC技术的概念、原理和缺陷。在方法上,本研究采用了案例分析方式,通过分析案例,研究用户在使用产品过程中的共情需求,并探索了如何在产品设计中更好地满足这些需求。最后,本文指出了在未来研究和实践中需要进一步关注的问题和挑战。

摘要：手指功能在日常生活中特别重要,特别是在一些需要抓取和一些较为精细的动作中,对日常生活质量有着不可忽视的影响。而目前临床针对手指功能康复的治疗模式主要采用辅助设备康复,而这种模式又较为枯燥。提出了一种通过采集表面肌电信号(sEMG)的方式,使得手指功能受损的患者可以脱离现有比较枯燥的治疗方式,同时也更有利于患者其他功能例如神经系统功能的恢复。采用肌电信号公开数据集,对原始肌电信号做相关的预处理,同时采用matlab仿真的方式验证预处理的正确性;并通过临床实验采集患者肌电信号的方式验证使用目前的肌电传感器对运动意图分析的可行性。

摘要：为了提高从单目RGB图像估计人手的姿态与形状的精确性和准确性,加速3D重建过程,同时结合深度网络的高效性和迭代拟合的稳定性,提出单目图像人手网格重建方法.首先利用卷积神经网络模型从图像提取稀疏特征;然后根据稀疏特征回归人手模型参数,回归参数用于初始化迭代优化例程,将人手模型拟合到3D关节点上;最后用迭代拟合的人手参数逆向监督整个网络.基于弱透视投影模型,采用大型手势动作数据库FreiHand和ObMan进行实验的结果表明,所提方法在姿态误差和网格误差上较对比方法分别降低约52%和59%,在运行效率上较对比方法快约3倍.

摘要：透明物体是日常生活中常见的事物,具有独特的视觉特性,这些特性使得标准的视觉3D传感器较难对其进行准确的深度估计.在大多数情况下,视觉3D传感器捕获的深度信息表现为透明物体后面的背景的深度值或大面积的深度缺失.为了对深度图像中透明物体的深度缺失进行快速修复,提出一种基于语义分割和多尺度融合的透明物体深度图像快速修复的方法,使用轻量级实时语义分割预测出透明物体的遮罩,剔除深度场景图像中该部分的错误深度信息,对彩色图像和剔除错误信息后的深度图像进行多尺度的特征提取和特征融合,完成对透明物体的深度图像快速修复.本文在Clear Grasp数据集上算法进行了效果验证.该数据集包含了5万多组RGB-D图像.实验结果表明,文中方法对透明物体深度的修复在度量指标MAE,δ_(1.05 )和 δ_(1.25 )上,分别取得了0.027,72.98和98.04的结果,均优于现有方法,并且在效率上有较好的提升.

摘要：为了从单幅图像或者多幅图像中重建出可变形的着装人体,提出了一种采用蒙皮多人线性模型(skinned multi-personlinear model,SMPL)的多级拓扑构建的图卷积神经网络(multi-leveltopology graph convolutional network,MTGCN).首先,通过现有方法从图像中预计算对应姿势和体型的光滑人体SMPL模型,并通过图像特征提取网络得到人体的局部特征图;然后,将SMPL模型顶点投影到特征图中,以获取具体位置的局部特征;最后,利用MTGCN对模型顶点偏移产生着装效果,其下采样与上采样模块可融合局部特征从而获取全局特征,并结合残差模块用于弥补全局特征中丢失的局部信息,从而提升重建的人体质量.在使用MGN与SURREAL合成的图像数据集上,实验结果表明,与目前类似的工作相比,该方法能够产生更低的倒角距离误差与点到曲面的距离误差,并且在人体服装细节与人体部位等方面展示出了更好的结果.此外,生成的三维人体模型可以直接在姿势或者体型上变形,以快速生成着装人体动画.

摘要：视频篡改造成的危害一直在危及人们的生活,这使深度伪造检测技术逐渐得到广泛关注和发展。然而,目前的检测方法由于使用了不灵活的约束条件,无法有效捕获噪声残差;此外,也忽略了纹理和语义特征之间的关联,以及时序特征对检测性能提升的影响。为了解决上述问题,文中提出了一种用于深度伪造检测的、具有多样化特征的自适应网络(AdfNet),它通过提取语义特征、纹理特征和时序特征帮助分类器判断真伪;探索了自适应纹理噪声提取机制(ATNEM),通过未池化的特征映射与基于频域的通道注意力机制,灵活捕获非固定频段的噪声残差;设计了深层语义分析指导策略(DSAGS),通过空间注意力机制突出篡改痕迹,并引导特征提取器关注焦点区域的深层特征;研究了多尺度时序特征处理方法(MTFPM),利用时序注意力机制给不同视频帧分配权重,捕获被篡改视频中时间序列的差异。实验结果表明,所提出的网络在FaceForensics++(FF++)数据集HQ模式中的ACC值为97.41%,相比当前主流网络有较为明显的性能提升;并且在FF++数据集上保持AUC值为99.80%的同时,在CelebDF上AUC值可达到76.41%,具有较强的泛化性。

摘要：目的小样本学习旨在通过一幅或几幅图像来学习全新的类别。目前许多小样本学习方法基于图像的全局表征,可以很好地实现常规小样本图像分类任务。但是,细粒度图像分类需要依赖局部的图像特征,而基于全局表征的方法无法有效地获取图像的局部特征,导致很多小样本学习方法不能很好地处理细粒度小样本图像分类问题。为此,提出一种融合弱监督目标定位的细粒度小样本学习方法。方法在数据量有限的情况下,目标定位是一个有效的方法,能直接提供最具区分性的区域。受此启发,提出了一个基于自注意力的互补定位模块来实现弱监督目标定位,生成筛选掩膜进行特征描述子的筛选。基于筛选的特征描述子,设计了一种语义对齐距离来度量图像最具区分性区域的相关性,进而完成细粒度小样本图像分类。结果在mini Image Net数据集上,本文方法在1-shot和5-shot下的分类精度相较性能第2的方法高出0.56%和5.02%。在细粒度数据集Stanford Dogs和Stanford Cars数据集上,本文方法在1-shot和5-shot下的分类精度相较性能第2的方法分别提高了4.18%,7.49%和16.13,5.17%。在CUB 200-2011(Caltech-UCSD birds)数据集中,本文方法在5-shot下的分类精度相较性能第2的方法提升了1.82%。泛化性实验也显示出本文方法可以更好地同时处理常规小样本学习和细粒度小样本学习。此外,可视化结果显示出所提出的弱监督目标定位模块可以更完整地定位出目标。结论融合弱监督目标定位的细粒度小样本学习方法显著提高了细粒度小样本图像分类的性能,而且可以同时处理常规的和细粒度的小样本图像分类。

摘要：种群的局部最优与停滞状态会严重影响差分进化(DE)算法的性能。为了消除这2种状态引起的不利因素,提出一种带有种群状态处理措施的改进DE算法。当种群处于局部最优状态时,运用限制记忆的拟牛顿(LBFGS)方法对种群中的个体进行随机学习提高解的全局质量,通过高斯变异生成新个体,促使种群跳出局部最优;当算法处于停滞状态时,运用种群的协方差矩阵,通过空间坐标旋转对目标个体进行重组,从而抑制种群停滞状态,加强算法全局搜索能力。此外,算法设计一种新型的选择策略,该选择策略设置一个存放经贪心选择后被遗弃个体的外部存档。当实验个体劣于目标个体时,算法则不再以贪心选择策略生成下一代,而是围绕外部存档进行合理的智能选择,使算法向全局最优收敛。实验表明,通过与先进的8个DE算法在29个标准的测试函数比较,所提算法在解的精确度和收敛速度均具有更好的性能。

摘要：时间敏感网络(TSN)中信息的真实性是系统的关键安全要素,然而直接引入传统安全认证机制会导致系统可调度性和实时性大幅降低。现有的方法仍存在适用场景少、资源消耗高等问题。针对这些问题,文中提出了一种面向TSN的安全感知调度方法。首先基于TSN流量特性设计了一种时间有效的一次性签名安全机制,为消息提供高效的组播源认证;然后提出相应的安全模型对该机制进行评估,描述安全机制对任务和流量的影响;最后对提出的安全感知调度方法进行数学建模,在传统调度约束的基础上,增加了安全机制相关的约束,同时以最小化应用端到端时延为优化目标,使用约束规划进行求解。仿真实验结果表明:改进的一次性签名机制的引入可以有效保护TSN中关键信息的真实性,且对调度的影响有限;在多个基于真实工业场景生成的不同规模测试用例中,产生的应用端到端时延平均仅增加13.3%,带宽消耗平均仅增加5.8%;与其他同类型方法相比,文中方法的带宽消耗更低,更加适用于有严格带宽限制的TSN。

摘要：为解决监控视频中行人相互遮挡问题,提出了一种人体姿态序列补全方法.该方法在给定两端可见的姿态序列时,能生成中间缺失的姿态序列,主要包含以下过程:(1)采用基于注意力机制的序列到序列模型,以给定的两端可见的姿态序列为输入,输出中间的目标姿态序列;(2)同样采用上述基于注意力机制的序列到序列模型,但以逆序的两端姿态序列为输入,输出中间的目标姿态序列;(3)将双向预测结果进行混合后得到最终的目标序列结果.所提方法很好地解决了在前后姿态已知的情况被遮挡行人姿态的恢复问题.在Human3.6M,CASIA等数据集上进行了测试,并以生成的姿态数据与真值之间的L2误差作为评价指标,与相关方法对比,平均补全误差由81.6降低至42.5,性能提升了47.9%.