在数字化和战略竞争日趋激烈的现代,成功与否取决于一个组织是否有能力比竞争对手更好、更快地利用数据和技术。人工智能(AI)技术的飞速发展正在彻底改变公共和私营机构保持领先的方式,影响着传统的、由人类驱动的分析流程的各个层面。本报告探讨了在情报周期中应用人工智能工具的机会,以增强人类分析师的能力,同时减少其局限性,从而推动更加无缝的情报流程

人类分析师擅长批判性思维和直觉判断。他们解读细微信息、理解复杂环境并根据不完整数据集做出明智决策的能力无与伦比。然而,数据超载、认知偏差、需要资源密集型培训以及有限的时间和精力等限制因素却阻碍了他们的工作效率。相反,人工智能技术擅长数据处理、客观性和日常任务自动化。它们能以前所未有的速度分析海量数据、识别模式并执行重复性任务,而不会造成身心疲惫。

因此,人类和机器能力的互补优势表明,分析流程将发生转变,分析师-机器团队将自适应地持续合作,以近乎实时的洞察力应对复杂的威胁。这种新模式将需要敏捷的协作框架、能够有效使用人工智能工具并解读人工智能生成的洞察力的熟练分析师、可靠而全面的培训数据和流程,以及强大的监督机制。

成为VIP会员查看完整内容
2

水下无人潜航器(AUV--自动潜航器)的世界正在发生迅速变化。在过去的两三年里,越来越多的海军正在认真开发超大型潜航器(XLUUV)。这是一份关于当今世界上最相关的海军类型的指南。

鬼鲨 XL-AUV,澳大利亚

鬼鲨 XLAUV(超大型自主潜水器)由澳大利亚安杜里尔公司和澳大利亚政府联合开发,是先进战略能力加速器(ASCA)的一部分。2022 年 5 月宣布订购三艘原型,第一艘于 2024 年 4 月下水。

该设计采用方形截面。这样可以最大限度地增加内部容积,同时将外部尺寸控制在标准集装箱的范围内。生产过程中可能会大量使用 3D 打印技术,Anduril 公司已在早期的 Dive-LD 潜水器上使用了这种技术。

Speartooth LUUV,澳大利亚

C2 Robotics 公司的 Speartooth 大型无人水下航行器 (LUUV) 用于执行远距离、长时间的任务。它被设计成成本相对较低、易于制造的平台。其功能采用模块化设计,可快速重新配置,以满足新的任务需求。

Solus-XR,加拿大

Solus-XR 是一个以燃料电池为动力的超大型无人潜航器(XLUUV)平台。它专为执行远距离、轻型监督任务而设计。它的不依赖空气的动力(AIP)使其能够执行长达 2,700 海里(5,000 公里)的远距离任务,续航时间长达 45 天。它可以在两个大型可移动有效载荷模块中携带有效载荷。其中可包括细线拖曳阵列声纳(TAS)、各种武器、较小的自动潜航器、海底吸锚。有效载荷部分还可以安装额外的锂电池,以增加冲刺续航时间。

Solus-XR 规格
长度: 12 米
横截面 1.7 x 1.7 米
排水量 10 吨
航程:45 天 2,700 海里(5,000 公里
冲刺速度:8 海里

UCUV,法国

海军集团的无人作战水下航行器(UCUV)最初是一个公司项目,首架航行器 “海洋水下无人机演示器 ”于 2021 年 10 月公开亮相。2023 年 12 月,法国政府订购了一架原型验证机,正式确定了该项目。

最初的演示器在试验过程中因附近一艘游艇起火而损坏。随后,一艘改进型船只重新下水。该设计采用了复杂的流体力学船体形式,与众不同的是,船体侧面装有大型阵列声纳,腹部有一个整体有效载荷舱。该艇长约 10 米,但计划在必要时将其长度增加到 20 米左右。

HEAUV,印度

印度国防研究与发展组织(DRDO)正在开发高耐久性自主潜水器(HEAUV)。研发工作正在科钦造船厂、高知国际船舶维修设施(ISRF)进行。其设计为简单的鱼雷状,配有 X 形方向舵和大型声纳阵列。

纳齐尔-5,伊朗

纳齐尔-5 是一种类似鱼雷的电池动力飞行器。其体积庞大的一个因素可能是使用了传统的铅酸电池。尽管如此,据报道它的航程至少为 500 公里。它的作用和能力尚不清楚,但很有可能被武器化,成为单向攻击的水下无人机。

Blue Whale, 以色列

ELI-3325 型 “蓝鲸 ”UUV 由 IAI 研发。它设计用于情报搜集(ISR)、反潜战(ASW)和水雷对抗(MCM)。它的一个主要特点是配有光电/传感器桅杆。这使它能够探测和跟踪水面上和水面下的目标,并进行舰载传感器数据处理。它可以通过专用的宽带安全卫星信道将情报传回。

该项目以前被称为 Caesaron,其本身与加拿大 ISE Explorer 系列 UUV 有着明显的相似之处。

长航时 UUV,日本

日本 ATLA(采办、技术与后勤局)正在开发长航时 UUV(无人驾驶水下航行器)。原型已于 2023 年下水。其基准配置为长 10 米、直径 1.8 米。加装有效载荷模块后,可延长至 15.6 米。

Haeil,朝鲜

这是 2023 年 7 月朝鲜阅兵式上展示的一种超大型无人机,很可能是 2023 年 4 月曝光的 “海日-2 ”的放大版,性能更强。该飞行器呈鱼雷状,据说装备了武器,用于打击固定目标。它的尾部似乎有一排通气管进气口。这表明它采用了碳燃料推进器(如柴油机),这与它宣称的 1000 千米航程相吻合。如果正确的话,该艇将不得不在水下航行,从而降低其隐蔽性。

这种武器与俄罗斯的 “波塞冬”(KANYON)极为相似。洲际核动力核武装自主鱼雷是俄罗斯的超级武器之一。这种新型无人鱼雷很可能是朝鲜的近似武器,至少在宣传方面是如此。

Haeil规格(暂定) 长度:16 米
直径:1.5-1.6 米
弹头 常规弹头或核弹头
推进器 柴电推进(待确认)
射程 1,000 公里(540 海里)< 2023 年 4 月报道
速度:4.6 节 < 2023 年 4 月报道的海尔号速度,终端阶段可能更快
深度:80-100 米
2023 年 4 月报道

Hugin Endurance,挪威

Hugin Endurance 是挪威制造商康斯伯格公司生产的 Hugin 系列无人机中最大的一款。它的航程为 2200 公里/1200 海里,续航时间为 15 天。

Klavesin-2P-PM,俄罗斯

Klavesin-2P-PM(Клавесин-2Р-ПМ)是 “大键琴”(“克拉夫申”)系列中型 UUV 的成员。它可由水面舰艇携带,已成为俄罗斯海军核潜艇的标准配置。它为核潜艇提供了更好的情报监视和侦察(ISR)能力。 鲁宾公司还开发了 Vityaz-D 设计,用于执行深潜任务,深度可达 6000 米。

韩国 ASWUUV

ASWUUV(反潜无人驾驶水下航行器)是韩华系统公司开发的一种中型航行器。根据报告的规格,它具有较高的巡航速度和超长的续航时间。其原型已于 2022 年开始测试。韩国造船厂有许多更大的 UUV 项目正在进行中。

ASWUUV 规格
长度: 6.5 米
重量:9 吨
巡航速度:10 千吨
工作深度:300 米
水下续航时间 430 天

Marichka,乌克兰

马里奇卡号(МАРІЧКА)是乌克兰 AMMO 公司开发的大型自动潜航器(AUV)。在全球众多大型自动潜航器项目中,它可能是第一个直接源于战时需求的项目。该项目与乌克兰正在开发的 Toloka 系列自动潜航器是分开的。电池和炸药装在密封的钢制主压力舱内。

据制造商称,该系统用于反舰、反桥、情报收集和运输。据说航程为 1000 公里。单价为 1600 万乌吉亚,相当于 43.3 万美元。

英国曼塔

作为第一步,英国皇家海军最近宣布了 “曼塔 ”XLUUV(超大型无螺母水下航行器)的合同。英国 MSubs 公司曾制造过多艘小型载人潜水器,该公司以改装现有 S201 型载人潜水器的提案赢得了这一交易。

XLUUV/Manta/S201 规格
长度:9 米(30 英尺)
横梁: 2 米(6.5 英尺)
重量:9 吨
工作深度:305 米(1148 英尺)
潜航时间 48 小时
水下速度:12 千吨

英国 CETUS

继 Manta XLUUV 项目之后,英国皇家海军又订购了该公司的 CETUS 设计。该潜水器将有很大的有效载荷空间,可用于小型自动潜航器、遥控潜水器或武器。与其他一些领先的设计相同,它的尺寸可以装入一个标准的集装箱内,从而大大提高了运输能力。

美国蛇头 LDUUV

蛇头 LDUUV(大排水量水下航行器)预计将在美国海军服役。该项目曾一度似乎被取消,但在 2024 年 3 月再次被确认。它的大小与海豹突击队运载工具(SDV)差不多,可由配备干式甲板掩体(DDS)的潜艇运载。

美国 Orca XLUUV

波音 “逆戟鲸 ”号是最早设计的最大 XLUUV 之一,它将使美国海军保持在海军技术的最前沿。为了提高续航能力,它使用了柴油-电力推进系统,使其航程超过 6000 海里。

指示性规格(基于波音 Echo Voyager 基地)
全长:正常情况下 15.5 米,带有效载荷插件时 25.9 米
横梁:2.6 米
高度:2.6 米
空重:50 吨(45 360 千克)
深度:3,000 米
速度:最大 8.0 千米/小时,巡航速度 2.5-3 千米/小时
航程 ~以额定速度行驶约 150 海里

参考来源:H I Sutton

成为VIP会员查看完整内容
1

随着无人驾驶船只(也称无人船)及其支持技术的发展,它们将在应对混合威胁(即结合 “公开和隐蔽的军事和非军事手段 ”的有害行动)方面发挥越来越大的作用。本文件讨论了无人驾驶舰船在混合威胁中的当前和潜在影响。本文首先简要概述了无人驾驶舰船,重点介绍了无人驾驶舰船在实际环境中的基本运作方式。

接着讨论了无人水面舰艇(USV)和无人水下舰艇(UUV)的历史、当前的发展情况以及这些舰艇的不同等级。然后介绍了在混合威胁中使用这些舰艇的一些方法,并进行了简要的案例研究。最后,对一些公开披露的无人航行器能力进行了描述,并介绍了应对这些威胁的潜在方法。

无人舰艇的历史、发展现状和等级

无人舰艇有着悠久的历史,包括在军事行动中的使用。从古代到英国抗击西班牙无敌舰队(Spanish Armada),几千年来,各国海军一直在使用火船(装满可燃物质的旧船,点燃后顺着水流漂向敌船)。十九世纪首次开发的移动鱼雷可以说是 UUV 的一种形式(以前的 “鱼雷 ”指的是现在所说的 “水雷”)。

1898 年,尼古拉-特斯拉(Nikola Tesla)首创了第一种无线遥控船只,即 USV。第二次世界大战期间,德国军队曾短暂使用过装有炸药的遥控 USV 来攻击盟军的航运目标。自二十世纪中期以来,军事部队一直使用 USV 和 UUV 进行测试和训练。此类系统还在民用领域,特别是近海石油和天然气工业中得到了广泛应用。

自二十世纪末以来,USV 和 UUV 技术的发展一直落后于 UAV 技术的发展。这在一定程度上反映了这样一个事实,即对于无人驾驶舰艇来说,空中的物理环境更为简单:它缺乏 USV 所处的海面的波动性,同时还能提供 UUV 基本上无法获得的电磁频谱。随着 USV 和 UUV 技术的成熟,以适应其更具挑战性的环境,它们可能会在一定程度上实现无人机技术在商业、业余爱好者和军事/政府应用(包括混合威胁行动)中的普遍性。本文稍后将介绍其中的许多应用。

进入千禧年以来,由数十家制造商生产的 USV 和 UUV 种类激增。全球各地的公司和政府机构都在设计、建造和测试这些用于商业、科学和军事目的的船只。对整个网络的资料来源进行分析后发现,目前有 250 多艘 USV 和 200 多艘 UUV 正在制造或处于不同的开发阶段,其大小范围跨越了两个数量级。在过去二十年中,系统尺寸的范围不断扩大。在 2000 年代,USV 和 UUV 的实验和开发主要是在小型系统上进行的,这些系统相对便宜、易于操作,并且在发生碰撞时对基础设施或其他船只造成的风险有限。随着该领域的发展,大型船只也在开发中,并与小型船只同时使用。

根据兰德公司之前的一份报告和美国海军的一份总体规划,众多 USV 中的绝大多数可根据尺寸和具体特征分为七类:

  • 环境动力型 USV,长度为几米,从环境中获取能量。它们通常具有较长的续航时间,可用于收集数据;可将其视为可自行定位、缓慢移动的传感器浮标。波音公司的 “波浪滑翔机 ”USV 就是一个例子,它既能获取太阳能,也能获取波浪能。
  • X 级 USV 的长度只有几米,没有环境动力。它们的续航时间、航程、有效载荷和航海能力有限。AEVEX 的 Mako 水上摩托艇就是一个例子。
  • 根据设想,潜航 USV 的长度在 7 米到 12 米之间,只有一个浮潜/天线组合突出水面。它们可以提供一些与 UUV 相关的隐形功能,但作为 USV,它们可以使用化石燃料和电磁频谱。
  • 港口 USV 长约 7 米,不是潜航器。它们的速度、续航力、航程和有效载荷通常都高于同等大小的潜航器,但缺乏相同程度的隐形能力。L-3 Calzoni 制造的 U-Ranger MS 就是一例。
  • 舰队 USV 的长度接近 11 米(而且不是潜航器),在续航时间、航程和有效载荷方面都优于港口 USV。德事隆系统公司制造的通用 USV 就是一例,该型 USV 用于执行海军反水雷等任务。
  • 中型 USV 的长度在 12 米到 50 米之间。例如,42 米长的 Sea Hunter 由美国国防部高级研究计划局 (DARPA) 开发,用于跟踪潜艇。
  • 大型 USV 的长度超过 50 米,例如美国海军的霸王级(长度在 60 到 90 米之间),由 Austal 公司开发。这些都是完全成熟的舰艇,可以在没有人员的情况下运行。

同样,UUV 也可以根据其大小来定性。大小不仅与续航时间、航程和有效载荷有关,还与这些设备的运输、处理、发射和回收方式有关。以下等级是根据美国海军向美国国会提交的报告划分的:

  • 小型 UUV,直径小于 25 厘米,可由一两个人在岸上或船上轻松携带。例如 Hydroid 公司的 REMUS 100,直径为 19 厘米。
  • 中型 UUV 的直径在 25-50 厘米之间,需要一些搬运设备。它们可以从岸上或船上发射。通用动力公司的 Bluefin-12 就是一个例子,其直径为 32 厘米。
  • 直径在 50 厘米到 2 米之间的大型 UUV 需要大量起重机。它们可以从岸上或大型船只上发射。洛克希德-马丁公司的 “马林 ”Mk II 就是一个例子,其直径为 1.5 米。
  • 直径超过 2 米的超大型 UUV 需要非常大的起重机。这些无人潜航器一般只能从岸上发射,除非从拥有充足甲板空间的大型商用货轮上部署。波音公司的 Orca XLUUV 就是一个例子,其直径为 2.6 米。
成为VIP会员查看完整内容
2

最近在中东发生的事件,特别是在红海与胡塞武装的冲突,以及 4 月 13 日以色列抵御伊朗袭击的行动,都表明了有效的联盟一体化防空反导(IAMD)对于应对一系列威胁的重要性。

在与胡塞武装的战斗中,虽然联军在很大程度上成功击败了持续不断的攻击,但联军使用的是精致昂贵的防御性弹药,而不是大规模部署的低成本进攻性弹药。以色列可应对袭击,部分原因是以色列经过多年准备和间歇性冲突开发出了分层防御系统。

在伊朗袭击以色列的事件中,以色列的反应显示了该地区长期以来的国际军事和防务一体化工作的成效,包括约旦为防御反应做出了贡献,沙特阿拉伯和阿拉伯联合酋长国在发动进攻前共享了有关伊朗袭击的情报。美军动用了地面、空中和海上资产,击落了 80 多架伊朗无人机和至少六枚从伊朗、伊拉克、叙利亚和也门发射的弹道导弹。据报道,英国、法国和约旦的战斗机击落了数架无人机,英国资产在其现有任务附近发挥了主导作用,而以色列资产击落了近 300 架威胁中的大部分。

袭击发生时的美国空军中央指挥官亚历克苏斯-格里恩基维奇中将说,之所以能应对这些威胁,是因为多年来一直致力于在联盟内部共享信息和威胁预警。另一位美国国防部高级官员向路透社指出,没有任何一个国家能够成功抵御 “伊朗的大规模、高端炮击”,相反,防御依靠的是几个国家之间的高度整合。由于无人机和导弹是从多个国家发射的,因此阿拉伯国家必须为该地区的防御做出贡献,包括共享信息和雷达跟踪信息、为联军飞机开放空域以及提供本国部队。

图 1. 现在,武器横跨所有领域,导弹(包括无人驾驶航空器系统 [UAS])可从陆地、空中和海上发射,定向能武器等非动能武器可跨领域使用(例如,可附加到战斗机上)。如白点所示,这幅图并不是一份包罗万象的武器清单;相反,它展示了不断扩大的威胁环境,并为有效保护一个地区必须考虑的因素奠定了基础。

本文描述了基于联盟的 IAMD 所面临的一些挑战,并提出了应对这些挑战的建议 IAMD 是一个广泛使用的术语;然而,其定义因使用环境不同而有细微差别。例如,虽然传统上的重点是防御空中威胁,但现在用于应对这些威胁的防御系统跨越多个领域(即陆地、海洋、太空、网络和空中),并包括 “发射左侧”指标。北约将 IAMD 定义为有助于威慑任何空中和导弹威胁或抵消或降低敌对空中行动的效力,以保护人口、领土和部队免受全方位空中和导弹威胁的所有措施

本文并不打算解释一体化防空反导的全部复杂性,尤其是在国家内部能力范围内的复杂性。第一步是将来自传感器和其他数据源的伙伴信息整合到安全的联合网络中,该网络可利用所有可用数据创建综合空中图像,然后将该图像或其定制子集分发给联盟,以确保对 IAMD 战斗空间的同步和一致的态势感知。这一步要求所有参与方达成协议,以不损害敏感信息源和方法的方式共享数据,并根据每个合作伙伴有权接收的信息定制分发的图像。第二步是利用综合信息促进快速决策,以分层和排序的方式从整个联盟中获取最有效和最有效应对各种威胁的能力。第三步是对各种威胁和联军的空中监视与威胁摧毁能力进行建模和仿真(M&S),以帮助了解综合系统的性能、找出差距并确定未来投资的优先次序

成为VIP会员查看完整内容
2

在作战体系能力的建模与分析领域,传统的结构化能力评估模型缺乏对对抗双方以及体系 中不同角色的部队之间相互作用的分析,而基于作战环理论的体系模型虽然可以结合传感、决策、 影响、目标类节点间的关系进行体系能力计算,但通常只适用于静态分析,不能用于体系对抗的 动态仿真。提出一种基于作战环的体系对抗仿真方法,将双方作战体系抽象为体系对抗网络模型, 通过设定作战策略,抽取每个策略步骤将要实施的作战环。经过作战边的分解与调度算法生成作 战边执行序列,再引入自信息量的概念逐个执行作战边,计算作战环的打击效能与毁伤效果,推 动双方作战体系的演化。结合根据战略战役目的选取的收益函数求解收益,总结双方的胜负和作 战损失。仿真结果表明:该方法能够依托策略和作战体系模拟对抗的过程并推导出对抗结果,具 备用于体系对抗仿真的有效与可行性。

成为VIP会员查看完整内容
9

在这个由数据驱动的时代,无人机(UAVs)已逐渐从专业领域扩展到消费市场,成为全球范围内广泛应用的高科技产品。近年来,无人机技术的不断进步,如传感器的精度提升、续航能力的增强、以及人工智能的应用,使得无人机的功能性和普及率显著提升。与此同时,全球无人机市场也在快速增长,各区域市场表现出不同的发展特点和潜力。本报告将深入探讨无人机市场的现状及未来趋势,揭示推动行业发展的核心因素,并识别潜在的挑战和机遇。通过综合市场数据、消费者行为、行业动态和政策环境,为企业及投资者提供有价值的参考。如果您还想获取更多跨境行业资讯,欢迎扫描右下角二维码关注大数跨境公众号,我们会定期分享最新行业信息。

成为VIP会员查看完整内容
8

转载机器之心报道 机器之心编辑部

昨天,哈萨比斯还在祝福Hinton。今天,他自己也拿了诺奖。

北京时间 10 月 9 日下午,瑞典皇家科学院宣布将 2024 年诺贝尔化学奖授予华盛顿大学的David Baker以及谷歌DeepMind 的Demis Hassabis 与John M. Jumper,以表彰他们在「计算蛋白质设计」和「蛋白质结构预测」方面的贡献。

众所周知,这三位是AI蛋白质研究领域的知名人物。近年来,AI预测蛋白质结构成为了生物以及AI领域的重磅话题。这个领域有两大知名开源算法,一个是 DeepMind 的 AlphaFold2,另一个就是华盛顿大学David Baker团队研发的 RoseTTAFold。

AlphaFold 的论文于2021年 7 月发表在《nature》杂志上,Alphafold 的缔造者之一 John Jumper 被评为《nature》2021 年度十大科学人物。

论文地址:https://www.nature.com/articles/s41586-021-03819-2

另一算法RoseTTAFold 也被《science》评选为 2021 年度突破。

在无数光环加身之后,三位蛋白质领域的领军人物赢得了今年的诺贝尔化学奖。

而AI,继昨日夺得诺贝尔物理学奖之后,再次吸引了整个科技领域的瞩目。

他们破解了蛋白质结构的密码

2024年诺贝尔化学奖是关于蛋白质的,这是生命的巧妙化学工具。David Baker 成功地完成了几乎不可能的壮举,构建了全新的蛋白质种类。Demis Hassabis和John Jumper 开发了一种人工智能模型,解决了一个50年的老问题:预测蛋白质复杂的结构。这些发现具有巨大的潜力。

生命的多样性证明了蛋白质作为化学工具的惊人能力。它们控制并驱动所有化学反应,这些反应共同构成了生命的基础。蛋白质还作为激素、信号物质、抗体以及不同组织的构建块发挥作用。 「今年被认可的发现之一涉及构建壮观的蛋白质。另一个是实现一个50年的梦想:从它们的氨基酸序列预测蛋白质结构。这两个发现都开辟了广阔的可能性。」诺贝尔奖化学委员会主席Heiner Linke说。 蛋白质通常由20种不同的氨基酸组成,这些可以被描述为生命的构建块。2003年,David Baker 成功地利用这些构建块设计了一种与任何其他蛋白质都不同的新蛋白质。从那时起,他的研究小组已经创造了一个又一个富有想象力的蛋白质,包括可以作为药物、疫苗、纳米材料和微型传感器使用的蛋白质。

第二个发现涉及蛋白质结构的预测。在蛋白质中,氨基酸以长链的形式连接在一起,然后折叠成三维结构,这对蛋白质的功能至关重要。自20世纪70年代以来,研究人员一直试图从氨基酸序列预测蛋白质结构,但这是非常困难的。然而,四年前,出现了一个惊人的突破。 2020年,Demis Hassabis和John Jumper展示了一个名为AlphaFold 2的人工智能模型。在它的帮助之下,他们能够预测研究人员已经识别的几乎所有2亿种蛋白质的结构。自从他们的突破以来,AlphaFold 2已经被来自190个国家的超过200万人使用。在众多的科学应用中,研究人员现在可以更好地理解抗生素耐药性,并创建可以分解塑料的酶的图像。

没有蛋白质,生命就无法存在。我们现在能够预测蛋白质结构并设计我们自己的蛋白质,这为人类带来了最大的利益。 以下为往届诺贝尔化学奖获奖名单:

参考链接:https://www.nobelprize.org/prizes/chemistry/2024/press-release/

成为VIP会员查看完整内容
6

尽管现有的神经网络方法在求解车辆路径问题(VRP)时表现出良好的效率,并减少了对领域专业知识的依赖,但它们在鲁棒性方面存在严重问题——其性能在面对带有精心设计扰动的干净实例时显著下降。为提升鲁棒性,我们提出了一种基于集成的协作神经框架(CNF),用于防御神经VRP方法,这一方向在文献中尚未得到充分探讨。对于给定的神经VRP方法,我们以对抗性训练的方式,让多个模型协作,以协同提升对抗攻击的鲁棒性,同时在干净实例上提升标准泛化能力。我们设计了一个神经路由器,可以灵活地在各个模型之间分配训练实例,从而增强整体的负载平衡和协作效果。大量实验证实,CNF在防御不同神经VRP方法下的各种攻击方面具有出色的效果和通用性。值得注意的是,该方法在基准实例上也表现出了显著的分布外泛化能力。

成为VIP会员查看完整内容
4

市场算法在现代生活中随处可见,无论是在在线还是线下的场景中。历史上,市场在供需匹配中起到了基础作用,设计者通过优化规则以实现全局目标,而参与者则通过优化策略以实现个人目标。决策理论和机制设计不断发展,以研究并指导这些市场的行为和结构。

本论文探讨了市场设计与算法决策制定交汇处的一些关键问题:战略决策者如何在选择中进行权衡,资源提供者如何在有限资源下为战略参与者分配资源?信息技术的出现和数据可用性的增加彻底改变了市场,使其具备了前所未有的规模、效率和控制力。这一发展使机制设计者能够创造或调整市场条件,只要我们了解其对设计者目标的影响。

在本论文中,我们研究了动态环境下的市场算法及其在实际非理性条件下的表现,分析了偏离理想模型对设计者和参与者效用的影响。我们考察了市场失衡、资源扩增,以及主导卖方所面临的竞争等环境变化。对于参与者,我们考虑了计算能力有限、行为有偏差或使用学习算法的代理人。我们的研究旨在为市场算法在实际复杂性和多样化参与者行为中的稳健性和适应性提供深入见解。

成为VIP会员查看完整内容
4

摘要—近年来,三维视觉已成为计算机视觉领域的关键方向,推动了自动驾驶、机器人技术、增强现实(AR)和医学成像等广泛应用。该领域依赖于从图像和视频等二维数据源中准确感知、理解和重建三维场景。扩散模型最初设计用于二维生成任务,但它们提供了更灵活的概率方法,更好地捕捉了真实世界三维数据中的多样性和不确定性。然而,传统方法往往在效率和可扩展性方面面临挑战。本文综述了当前最先进的扩散模型在三维视觉任务中的应用,包括但不限于三维物体生成、形状补全、点云重建和场景理解。我们深入讨论了扩散模型的基本数学原理,概述了其前向和反向过程,并介绍了支持这些模型处理三维数据集的各种架构进展。我们还探讨了扩散模型在三维视觉中应用所面临的主要挑战,如处理遮挡和点密度变化,以及高维数据的计算需求。最后,我们讨论了包括提升计算效率、增强多模态融合、探索大规模预训练以改善三维任务泛化能力在内的潜在解决方案。本文为这一快速发展的领域的未来探索和开发奠定了基础。

关键词—扩散模型,三维视觉,生成模型。

I. 引言

近年来,三维视觉已成为计算机视觉领域中的重要方向,推动了自动驾驶、机器人、增强现实和医学成像等各种应用。这些应用依赖于从图像和视频等二维数据源中对三维场景的准确感知、理解和重建。随着三维视觉任务的日益复杂,传统方法常常在效率和可扩展性方面遇到挑战。 扩散模型[1]–[5]最初在生成建模领域提出,并迅速发展,展现出在许多计算机视觉领域的显著潜力。基于通过一系列随机步骤转换数据的理念,这些模型在图像生成[6]–[9]、去噪[10]和修复任务[11]中取得了成功。尤其是,扩散模型在生成高质量、多样化输出方面表现出强大的生成能力,同时对噪声具备鲁棒性。 近年来,扩散模型的发展已从二维拓展到更具挑战性的三维任务[12]–[14],如三维物体生成[15]–[17]、形状补全[18]、点云重建[20]等,标志着扩散建模与三维视觉的新时代的到来。 将扩散模型应用于三维视觉任务展现出前景,主要原因在于它们能够建模复杂的数据分布,并且在噪声处理上具备固有的鲁棒性。扩散模型为需要三维数据合成、补全或增强的任务(如形状生成[21]或深度估计[22])提供了强大的框架。与依赖确定性算法的传统三维建模技术不同,扩散模型提供了更灵活的概率方法,可以更好地捕捉真实三维数据中的多样性和不确定性。 对扩散模型的日益关注源于它们在二维任务中生成精细高质量结果的能力,这促使研究人员探索其在三维中的应用。本文综述了将扩散模型用于三维视觉的最新方法,讨论了其潜在的优势,如在三维重建中提升精度、更好地处理遮挡和稀疏数据等。 尽管将扩散模型应用于三维视觉前景广阔,但其并非没有挑战。其中一个主要技术障碍是三维数据的复杂性增加,它可以以多种形式表示,如网格、体素或点云,每种形式都有其特定的处理需求。将扩散模型与这些异构数据结构集成仍然是一个挑战,同时三维任务的计算需求常常远远高于二维任务,导致可扩展性问题。 另一个挑战在于建模三维数据中的长距离依赖关系,扩散模型并非原生具备该能力。此外,许多三维视觉任务缺乏大规模标注数据集,这进一步增加了扩散模型的训练难度,要求大量高质量数据以实现有效泛化。 本综述聚焦于扩散模型在广泛三维视觉任务中的应用,包括但不限于三维物体生成、点云去噪、三维重建及场景理解[23]。我们回顾了多种扩散模型架构及其在三维视觉中的适应性,涵盖了过去五年的早期阶段和最新进展。特别关注于这些模型如何应对三维数据的特定挑战以及大规模三维视觉问题的计算限制。本文的主要贡献如下: * 对现有将扩散模型应用于三维视觉任务的研究进行了全面分类和总结,分析其优缺点。 * 深入分析和比较了用于三维数据的关键技术、框架和方法。 * 详细讨论了该领域当前的挑战和开放问题,以及未来研究方向,以改进三维视觉应用中的扩散模型。 * 对用于评估三维视觉任务中扩散模型的相关数据集和基准进行了广泛的回顾。

为完成本综述,我们采用了全面的文献检索策略,以确保深入探索该领域。首先确定了与主题相关的关键词和短语,如“扩散模型”、“三维视觉”以及相关概念(如“生成模型”和“三维数据的神经网络”)。我们在多个学术数据库(包括IEEE Xplore、arXiv和Google Scholar)中进行检索,重点关注过去五年的出版物,以捕捉最新进展。此外,我们优先选择经过同行评审的期刊文章、会议论文和预印本,确保包含高质量的前沿研究。通过此策略,我们旨在提供关于三维视觉中扩散模型的全面、最新的综述。 本文其余部分的组织结构如下:第二节概述扩散模型的理论基础及其在二维和三维视觉任务中的关键发展。第三节深入探讨三维视觉的核心概念,讨论不同数据表示及其挑战。第四节对扩散模型在不同三维视觉任务中的应用进行了详细回顾。第五节总结了用于评估的可用数据集和基准。最后,第六节讨论了未来方向和开放问题。

第七节为结论。

**扩散模型基础

A. 扩散模型简介 扩散模型(Diffusion Models)是一类生成模型,通过逐步将随机噪声转换为结构化数据来学习生成数据的分布。该过程包括前向扩散过程,在此过程中噪声逐步添加到数据中,以及反向过程,利用去噪算法从噪声中重建数据。这种方法旨在通过迭代去噪来建模数据分布,已证明能够在多个领域(包括三维视觉)生成高质量的样本。 扩散模型最早作为一种受非平衡热力学启发的随机过程被引入,发展迅速。尤其是在Ho等人提出去噪扩散概率模型(DDPMs)之后,扩散模型在可扩展性和采样效率方面有了显著提升。扩散模型的关键特性在于其迭代生成过程,主要包括: * 前向过程:逐步向数据添加高斯噪声。 * 反向过程:通过去噪还原数据,生成新样本。

这种框架允许扩散模型避免模式崩溃,与生成对抗网络(GANs)相比,生成出多样性更高的样本。B. 扩散模型的数学基础

C. 扩散模型的变体 1. 去噪扩散概率模型(DDPMs):在DDPM中,前向过程逐步将高斯噪声添加到数据中,使原始数据分布转变为已知先验(通常为标准高斯分布)。反向过程则由神经网络参数化,并训练为逐步去噪。DDPM通过优化变分下界,实现高保真度图像生成(Diffusion Models in 3D …)。 1. 基于得分的生成模型(Score-Based Generative Models):这种变体使用得分匹配技术,以更直接地估计数据分布的梯度(Diffusion Models in 3D …)。 1. 随机微分方程(SDE):此类扩散模型的连续时间公式使其在三维生成任务中更具灵活性,例如生成点云和体素网格(Diffusion Models in 3D …)。 D. 三维视觉中的生成过程 与生成对抗网络(GANs)和变分自编码器(VAEs)相比,扩散模型在三维视觉任务中具有更强的生成能力,能够生成光滑的连续表面,并处理复杂的高维数据。这对于需要详细几何结构的应用(如三维形状重建)特别有利。

三维视觉基础

三维视觉领域是现代计算机视觉中不可或缺的一部分,涉及各种数据表示方法及深度学习技术,以理解和处理三维信息。三维视觉广泛应用于增强现实、虚拟现实以及自动驾驶等领域,这些应用都依赖于准确的三维场景感知与分析。

**A. 三维表示

三维数据表示是三维视觉的核心,提供了建模、分析和交互的手段。不同的表示方式各有其特点、优缺点,通常用于不同的三维任务。 二维表示

二维表示使用平面图像推断三维信息,适用于渲染与理解三维场景。通过多视图图像或深度图,可以从多个角度获取场景或物体的三维结构。

深度图:深度图表示从特定视角到场景中物体的距离,将深度信息编码成图像。它在三维重建、场景理解等应用中十分重要,因为它提供了一种整合二维图像处理技术的有效方式。 显式表示

显式表示直接定义了三维模型的几何形状,如点云、体素网格和网格。它们直观易操作,但存储复杂形状时空间需求较大。

点云:点云通过三维坐标表示物体或场景的形状。其主要优势在于对几何数据的直接捕获。然而,由于缺乏拓扑信息,点云通常需要进一步处理,以实现渲染或仿真。 1. 隐式表示 隐式表示通过数学函数定义三维几何,例如有符号距离场(SDF)和占用场。它们通常用于生成平滑、连续的表面,并能处理复杂的几何形状。

**B. 三维视觉中的深度学习方法

深度学习的进步推动了三维视觉的发展,使得自动驾驶、机器人导航等领域能够高效地分析和解释三维数据。

基于卷积的神经网络 三维卷积神经网络(3D CNN)将二维卷积扩展到体素数据,捕捉三维空间的关系,适用于体素网格处理任务。然而,三维CNN计算需求高,因此多视图CNN和球面CNN等变体在实际应用中被广泛采用。

直接点云处理方法 点云数据的处理逐步由PointNet等方法引领,这些方法通过直接操作点云数据而无需将其转换为其他形式,从而保留了数据的稀疏性与不规则性。

图神经网络 在点云上应用图神经网络(GNN)通过捕获非欧几里得结构中的关系,适合于对拓扑信息的建模。

占用网络与深度有符号距离场 占用网络和深度有符号距离场(DeepSDF)模型能有效地在复杂场景中生成详细的三维形状,在物体重建和场景理解中具有优势。

基于Transformer的架构 Transformer的引入使得长距离依赖关系的建模成为可能,尤其在三维点云数据上,表现出在自适应分割和语义理解方面的能力。

**C. 三维视觉中的挑战

遮挡 遮挡问题在三维视觉中普遍存在,尤其在物体间相互重叠的场景中。这会导致数据缺失或失真,影响物体识别和场景重建。多视图聚合和深度完成是应对此问题的常用技术。

点密度变化 由于扫描设备距离和角度的不同,点云密度可能不均匀,导致重建和特征提取的复杂度增加。点云上采样和表面插值技术被用来处理这些问题。

噪声与离群值 三维数据采集过程中常伴有噪声和离群值,影响数据的准确性。去噪滤波和离群值去除是常见的应对手段,但在精度和计算需求之间的平衡仍具挑战性。

三维视觉的复杂性及其数据的高维特性使得这一领域充满了挑战,但随着深度学习技术的不断进步,三维视觉的准确性和效率正在显著提高,为实际应用带来了新的突破。

三维扩散生成任务

扩散模型在三维数据生成任务中表现出极大的潜力,能够生成高质量的三维模型及其相关内容。这些任务涵盖了各种生成和处理三维数据的方式,使扩散模型成为三维视觉研究的重要工具。

**A. 无条件生成

无条件生成指的是不依赖于任何输入或条件(如类标签、图像或文本提示)生成三维形状或物体。在这种生成模式下,模型从随机噪声或潜在变量出发,基于学习到的数据模式生成多样化的三维结构。无条件生成常用于三维设计、虚拟环境和游戏等应用,其目的是在没有外部指导的情况下捕捉数据的底层分布,生成逼真且多样的三维输出。

Zhou等人提出的Point-Voxel Diffusion框架,是最早利用扩散模型生成三维物体的工作之一。该方法将去噪扩散模型与三维形状的概率生成模型结合,使用点-体素混合表示进行生成。模型通过一系列去噪步骤,将观察到的点云数据逆扩散回到高斯噪声状态,从而生成新的三维形状。

**B. 条件生成

在条件生成任务中,扩散模型会根据特定输入(例如图像或文本提示)生成对应的三维数据。该方法通常用于图像到三维、文本到三维转换等场景。这类任务对于三维数据合成的控制性较强,允许模型根据输入生成具有特定特征的三维结构。例如,Ren等人提出的模型结合卷积和Transformer架构,生成动态掩模以在生成过程中实现特征融合,从而在不同阶段优化全局和局部特征的平衡(Diffusion Models in 3D …)。

**C. 三维编辑与操作

三维编辑任务涉及对已有的三维数据进行修改或增强。扩散模型在这一领域展示了显著的灵活性,允许对三维场景进行细致的控制。Zheng等人开发的PointDif方法,应用扩散模型进行点云预训练,有助于在分类、分割和检测等任务中提高性能。该方法将点云预训练任务视为条件点对点生成问题,通过循环均匀采样优化策略,使模型在不同噪声水平下实现一致的恢复(Diffusion Models in 3D …)。

**D. 新视角合成

新视角合成任务主要集中于从给定的视角生成不同角度的三维图像。扩散模型能够有效处理三维数据的长距离依赖关系,并生成新的视角。Shue等人提出的Triplane Diffusion模型将三维训练场景转换为一组二维特征平面(称为triplanes),然后利用现有的二维扩散模型对这些表示进行训练,从而生成高质量的三维神经场。

**E. 深度估计

扩散模型在深度估计任务中的应用表现在通过噪声抑制的方式改善深度信息提取质量。在复杂的场景中,模型可以利用扩散过程生成连续的深度数据,有效应对噪声和不完整信息的问题。扩散模型通过生成更为平滑和准确的深度图,为三维视觉系统在动态场景中的应用提供了新的解决方案。 综上所述,扩散模型为三维视觉中的多项任务提供了有效的生成和增强工具。模型的应用不仅在无条件生成和条件生成方面取得了显著成果,还在三维数据的编辑、合成和估计等任务中展现了出色的性能。这一领域的研究仍在不断发展,未来可通过结合物理约束和多模态数据进一步提升模型的表现,为复杂和动态场景中的三维任务提供更强大的支持。

结论

本文对扩散模型在三维视觉任务中的应用进行了全面综述。扩散模型最初是为二维生成任务设计的,但随着三维数据(如点云、网格和体素网格)的处理需求增长,这些模型逐步适应了三维数据的复杂性。我们详细回顾了将扩散模型应用于三维对象生成、形状补全、点云重建和场景生成等任务的关键方法,并深入讨论了扩散模型的数学基础,包括其前向和反向过程及架构改进,使之能够处理三维数据。

此外,本文分类和分析了扩散模型在不同三维任务中的显著影响,包括从文本生成三维数据、网格生成以及新视角合成等。我们还探讨了扩散模型在三维视觉中面临的主要挑战,如遮挡处理、点密度变化以及高维数据的计算需求。针对这些挑战,我们提出了一些潜在解决方案,包括提升计算效率、增强多模态融合,以及探索使用大规模预训练以更好地在三维任务中实现泛化。

通过整合当前扩散模型在三维视觉领域的研究现状,并识别出其中的不足与机遇,本文为未来在这一快速发展的领域进行更深入的探索和开发奠定了基础。扩散模型在三维视觉中的应用还在不断进步,未来的研究有望继续优化模型的计算效率和多任务处理能力,为三维数据的生成、重建和理解开拓新的可能性。

成为VIP会员查看完整内容
5
登陆后查看更多精品内容
VIP会员
本周荟萃主题
区块链
区块链(Blockchain)是由节点参与的分布式数据库系统,它的特点是不可更改,不可伪造,也可以将其理解为账簿系统(ledger)。它是比特币的一个重要概念,完整比特币区块链的副本,记录了其代币(token)的每一笔交易。通过这些信息,我们可以找到每一个地址,在历史上任何一点所拥有的价值。
深度学习
机器学习的一个分支,它基于试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法。
机器学习
“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。”

——中文维基百科
强化学习
强化学习(RL)是机器学习的一个领域,与软件代理应如何在环境中采取行动以最大化累积奖励的概念有关。除了监督学习和非监督学习外,强化学习是三种基本的机器学习范式之一。 强化学习与监督学习的不同之处在于,不需要呈现带标签的输入/输出对,也不需要显式纠正次优动作。相反,重点是在探索(未知领域)和利用(当前知识)之间找到平衡。 该环境通常以马尔可夫决策过程(MDP)的形式陈述,因为针对这种情况的许多强化学习算法都使用动态编程技术。经典动态规划方法和强化学习算法之间的主要区别在于,后者不假设MDP的确切数学模型,并且针对无法采用精确方法的大型MDP。
推荐系统
推荐系统,是指根据用户的习惯、偏好或兴趣,从不断到来的大规模信息中识别满足用户兴趣的信息的过程。推荐推荐任务中的信息往往称为物品(Item)。根据具体应用背景的不同,这些物品可以是新闻、电影、音乐、广告、商品等各种对象。推荐系统利用电子商务网站向客户提供商品信息和建议,帮助用户决定应该购买什么产品,模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为,向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大,商品个数和种类快速增长,顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题,个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台,以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。
卷积神经网络
在深度学习中,卷积神经网络(CNN或ConvNet)是一类深度神经网络,最常用于分析视觉图像。基于它们的共享权重架构和平移不变性特征,它们也被称为位移不变或空间不变的人工神经网络(SIANN)。它们在图像和视频识别,推荐系统,图像分类,医学图像分析,自然语言处理,和财务时间序列中都有应用。
计算机网络
计算机网络( Computer Networks )指将地理位置不同的多台计算机及其外部设备,通过通信线路连接起来,在网络操作系统及网络通信协议的管理和协调下,实现资源共享和信息传递的计算机系统。
命名实体识别
命名实体识别(NER)(也称为实体标识,实体组块和实体提取)是信息抽取的子任务,旨在将非结构化文本中提到的命名实体定位和分类为预定义类别,例如人员姓名、地名、机构名、专有名词等。
机器翻译
机器翻译,又称为自动翻译,是利用计算机将一种自然语言(源语言)转换为另一种自然语言(目标语言)的过程。它是计算语言学的一个分支,是人工智能的终极目标之一,具有重要的科学研究价值。
计算机视觉
计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。
微信扫码咨询专知VIP会员