面向LFP电池的无监督故障隔离与诊断的预测驱动框架

《Electronics》:A Prediction-Driven Framework for Unsupervised Fault Isolation and Diagnostics in LFP Batteries

【字体: 大 中 小 】 时间:2026年08月29日 来源:Electronics 2.9

编辑推荐:

  姿态引导人体图像生成旨在基于参考图像与目标姿态合成目标人物图像。尽管基于扩散模型的方法近期在姿态对齐与视觉真实感上取得显著进展,但在涉及复杂姿态交互的区域中生成高保真图像仍具挑战,典型问题包括肢体结构混乱与遮挡区域纹理失真。为解决该挑战,研究人员提出HiPA-

  
姿态引导人体图像生成旨在基于参考图像与目标姿态合成目标人物图像。尽管基于扩散模型的方法近期在姿态对齐与视觉真实感上取得显著进展,但在涉及复杂姿态交互的区域中生成高保真图像仍具挑战,典型问题包括肢体结构混乱与遮挡区域纹理失真。为解决该挑战,研究人员提出HiPA-Gen框架,旨在自动感知复杂交互区域并在其中生成高保真内容。不同于现有主要依赖平面骨架条件或隐式注意力响应方法,HiPA-Gen显式建模复杂交互区域中的层级空间关系与局部外观先验。具体而言,研究人员设计双智能体层级推理模块(DHR),其中提示引导推理智能体(PRA)识别交互相关身体部位,层级渲染智能体(HRA)将推断关系转换为层级对应关系姿态(HCP)图,为肢体重叠、手部遮挡与身体自遮挡提供显式前后结构线索。为进一步降低局部纹理歧义,研究人员引入部位先验细节对齐模块(PDA),在HCP引导的部位先验下从源图像提取区域参考资产(RRA),并通过局部增强分支(LEB)注入姿态条件交互感知细节合成网络(PDS),实现扩散合成中更准确的局部特征融合。在DeepFashion与Market-1501上的实验在结构相似性、感知质量与分布保真度评估协议下展现一致数值提升,定性结果显示该框架在挑战性姿态交互场景中产生更清晰的肢体边界、更可靠的空间顺序与更一致的衣物纹理。
研究背景与动机:姿态引导人体图像生成是条件图像生成任务,需兼顾目标骨架空间对齐与身份、衣物纹理及人体结构保持。生成模型已从潜变量与对抗生成演进至扩散模型与条件可控生成,近期PIDM、HumanSD、PoCoLD等方法将扩散引入该任务,但在手臂交叉、手部遮挡、衣物遮挡与身体自遮挡等复杂交互区域仍出现肢体结构混乱、空间顺序颠倒、手部轮廓模糊、肢体-躯体黏连与纹理泄漏。根本局限有两点:一是二维骨架、关键点与标准解析图无法显式表达遮挡前后顺序,DensePose等三维先验在极端交互下仍不足以精确深度推理;二是现有方法依赖固定解析类别、预定义裁剪或全局注意力,局部参考含背景噪声,且局部信息被编码进全局特征导致边界黏连与结构断裂。因此研究人员开展本研究,以显式层级空间关系感知与语义驱动局部参考提取注入解决上述双重误差。
主要关键技术方法:研究人员在DeepFashion(101966训练对、8570测试对)与Market-1501(263632训练对、12000测试对)两个数据集上分别训练评测,训练测试身份不交叠;姿态表示由DW-Pose离线提取关键点与渲染骨架;双智能体层级推理模块(DHR)以Qwen2.5-VL-7B-Instruct为PRA,在固定提示与JSON模式下由骨架与置信度推断交互部位前后关系,HRA将其渲染为层级对应关系姿态(HCP)图,无交互时回退标准骨架;部位先验细节对齐模块(PDA)以Grounding DINO Swin-T定位部位框、SAM ViT-H生成部位掩码,结合源图关键点校验得到区域参考资产(RRA);主合成网姿态条件交互感知细节合成网络(PDS)基于Stable Diffusion v1.5,姿态引导器(Pose Guider)沿Animate Anyone注入HCP,Reference U-Net接收全局源特征与RRA,局部增强分支(LEB)显式融合区域参考;优化采用标准扩散损失加交互区局部损失,DDIM 50步采样。
研究结果:
1 引言部分指出复杂交互区域误差源于模糊空间关系建模与结构纹理失真,HiPA-Gen由PDS、DHR、PDA与LEB组成,DHR产标准骨架或HCP,PDA产RRA,PDS融合层级姿态与局部参考合成,贡献为框架本身、DHR显式层级条件化、PDA语义局部参考、PDS+LEB局部注入。
2 相关工作综述视觉生成模型从VAE、GAN到DDPM、LDM、ControlNet的演进,以及姿态引导生成从PG2、Def-GAN、PATN到扩散类PIDM、PoCoLD、Leffa的脉络,指出已有方法未直接解决交互区层级推理与局部参考清洗。
3 方法部分:3.1 DHR以“先检测后推理”策略,PRA用关键点连通性、线段交、左右标签与置信度输出含语义标签、拓扑层与置信度的候选,置信度由模型softmax概率与DW-Pose置信度保守组合,超阈值方由HRA渲染HCP,颜色编码局部前后而非物理深度;3.2 PDA以HCP与部位先验查询源图,Grounding DINO+SAM得部位掩码并与源关键点区域交并去小连通域,聚为RRA;3.3 PDS中源图编码器得全局外观,RRA编码器得局部特征,拼接融合,Pose Guider将HCP映为姿态嵌入入扩散骨干,LEB在Reference U-Net内增强局部;3.4 目标函数为L_simple加λ·L_local,L_local在PDA交互掩码区约束生成与真值差。
4 实验部分:4.1 实现细节含八卡A100、batch 32、10万迭代、DeepFashion 256×256与Market-1501 128×128、λ=0.5、阈值τ=0.5,单图50步约5.3 s;4.2 与Def-GAN、PATN、ADGAN、PISE、GFLA、DPTN、NTED、CASD、PoCoLD、PIDM、CFLD、PCDMs对比,全文指标SSIM↑、LPIPS↓、FID↓均最优,DeepFashion上SSIM 0.8124、LPIPS 0.1486、FID 11.27,Market-1501同向;ROI级交互区DeepFashion ROI-SSIM 0.6296、ROI-LPIPS 0.2329,Market-1501 0.2491与0.3117;定性见图3手重叠、手-躯交互、横臂遮挡、大姿态变下HiPA-Gen边界更清;4.3 消融去DHR致SSIM最大降,去LEB致LPIPS/FID最差,去PDA弱局部一致性,去局部损失全指标退化;4.4 总结框架在全局与局部均优,但证据限于两数据集。
5 结论翻译:本文提出HiPA-Gen,一种面向高保真姿态引导人体生成的层级交互感知与对齐框架,聚焦复杂交互区现有方法常有的空间关系模糊、边界黏连、局部结构扭曲与纹理泄漏;DHR仅分析目标关键点与骨架(不接入目标RGB)产HCP,PDA在HCP引导部位先验下从源图提RRA,PDS通过Pose Guider与LEB融合层级姿态与局部参考;DeepFashion与Market-1501实验在SSIM、LPIPS、FID上占优,定性显示手部轮廓更清、肢体结构更稳、衣物纹理更一致,消融证DHR、LEB、PDA互补;局限为单人设定、HCP依赖检测与推理置信、仅两基准;未来扩至多人与更强遮挡高分辨率基准。论文发表于《Electronics》。
讨论总结:研究人员明确复杂姿态引导生成不能仅赖全局姿态或隐式注意力,须显式交互感知、可靠局部参考与有效局部注入三者统一;HiPA-Gen将DHR的层级感知、PDA的部位先验对齐、LEB的局部融合嵌入同一扩散管线,在双臂交叉、手部遮挡、躯体自遮挡场景同时缓解空间顺序误判与纹理泄漏,其HCP以颜色编码局部前后层级而非物理深度,RRA经定位-分割-关键点校验三重过滤降低背景污染,该设计对含遮挡的其他条件生成任务具迁移价值;但作者自承误检高置信前后关系会传入HCP、评估未跨数据集零样本、单人假设限制多人交互推广,故结论应视为两基准内数值改进而非统计显著突破。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号