EPFL（洛桑联邦理工学院）

2-Shots in the Dark: Low-Light Denoising with Minimal Data Acquisition

暗处两 shot：基于最小数据采集的低光照去噪

Liying Lu, Raphaël Achddou, Sabine Süsstrunk

机构 * IVRL, EPFL（IVRL，瑞士联邦理工学院） 纠错

AI总结 本文提出了一种无需大量数据的低光照去噪噪声合成方法，通过信号依赖性和独立性噪声建模，实现高精度去噪效果。

Physics-informed self-supervised learning for predictive modeling of coronary artery digital twins

基于物理的自监督学习用于冠状动脉数字孪生的预测建模

Xiaowu Sun, Thabo Mahendiran, Ortal Senouf, Denise Auberson, Bernard De Bruyne, Stephane Fournier, Olivier Muller, Pascal Frossard, Emmanuel Abbe, Dorina Thanou

机构 * Chair of Mathematical Data Science, EPFL, Lausanne, Switzerland（数学数据科学教授职位，苏黎世联邦理工学院，拉沃斯，瑞士） ； LTS4 laboratory, EPFL, Lausanne, Switzerland（LTS4实验室，苏黎世联邦理工学院，拉沃斯，瑞士） ； School of AI and Advanced Computing, Xi’an Jiaotong-Liverpool University, China（人工智能与高级计算学院，西安交通大学利物浦大学，中国） ； Cardiology Department, Lausanne University Center Hospital, Lausanne, Switzerland（心血管科，拉沃斯大学中心医院，拉沃斯，瑞士） ； OLV Hospital, Aalst, Belgium（OLV医院，阿尔斯特，比利时） ； AI Center, EPFL, Lausanne, Switzerland（人工智能中心，苏黎世联邦理工学院，拉沃斯，瑞士） 纠错

AI总结 PINS-CAD通过基于物理的自监督学习框架，利用合成数据预训练图神经网络，提升样本效率并生成具有生理意义的预测模型，用于冠状动脉疾病的预测和预防。

Comments 19 pages