你敢信?帧率提升60%以上,画质还更好!《机甲战士5:雇佣兵》DLSS 2.0实测

最初,NVIDIA DLSS的出现的初衷其实是为了补偿性地解决GeForce RTX显卡在开启光追效果后造成的帧率明显下跌问题,并也取得了非常不错的效果。但是,玩家们发现,在开启DLSS之后,在一些游戏中虽然提升了帧率,但却在游戏的连续画质表现上有所下降,也就是在某些游戏场景中会出现分辨率降低的问题。不过作为一种依托于AI且不断进化的图形图像增强算法,DLSS本身也在不断进化,并在近期正式推出了2.0版本。全新进化的DLSS,身上到底带着怎样的“外挂”?让我们一起来看看。     

基于深度学习的番茄叶部病害识别模型

番茄叶病种类多、成因复杂,其预防和识别难度较大。传统基于机器学习的方法多靠人工识别,需要一定的专家经验,且具有主观性强、识别准确率不高等缺点。为实现番茄叶病特征的自动提取,并提高识别准确率,提出一种基于深度学习的番茄叶病识别模型。该模型基于卷积神经网络对番茄叶部病害特征进行自动提取,获得高维特征后,采用PCA降维算法去除冗余特征;从增大类间距离并减小类内距离的角度改进了softmax分类器,提高了识别准确率。将该模型在CrowdAI提供的数据集上进行了仿真验证,结果表明,该模型能够对番茄叶部常见10种病害进行自动提取特征和识别,综合识别准确率达到95%以上。     

新型树启发式搜索算法的机器人路径规划

面对三维空间移动机器人从起始点到终止点的最短路径问题,提出一种新型的边缘点树启发式搜索(TreeEP)算法,该方法将地图空间进行密度可调的三维离散化处理,根据障碍安全距离筛选出障碍物的可靠边缘点信息,再利用树扩散架构选出最能引导搜索方向的潜力点进行扩散搜索,最终得出最短路径。提出局部调整策略,得到改进的Tree-EP算法。实验结果表明,在带障碍复杂地形最短路径搜索应用中,提出的Tree-EP算法与已有方法相比,能找到更短的移动路径。     

差分准对立学习多目标蚁狮算法

为解决多目标优化问题，对经典的蚁狮算法进行改进，提出了基于差分进化的准对立学习多目标蚁狮算法（DEQOMALO）。该算法针对蚁狮算法易陷入局部最优的不足，一方面，该算法引用差分进化的思想，充分利用种群和精英蚁狮的信息对原算法中蚂蚁个体的位置更新方式进行改进；另一方面采用反向学习策略对蚂蚁种群进行优化，将原种群个体和其准对立个体进行混合并择优作为新的种群，大大增加种群的多样性。选取典型的标准测试函数，将提出的算法与原始蚁狮算法以及其他传统进化策略优化的蚁狮算法进行比较。实验结果表明，改进算法在收敛性和分布性上均有很大程度的提升，在解决双目标优化问题上具有较好的鲁棒性和有效性。     

面向噪声丢包感知的无线网络拥塞算法

针对无线网络链路干扰大、误码率高等特点，以及TCP Westwood算法（TCPW）存在估算带宽时过度依赖包的反馈，缺乏区分传输过程中丢包类型的缺点等问题，提出一种TCPW拥塞控制优化算法--TCPW-F。该算法利用发送速率等构建拥塞因子[F]作为判断丢包类型的依据，同时对判定发生噪声丢包时的拥塞窗口进一步调整，避免噪声丢包引起的窗口下降，提高该情况下窗口的发送效率。仿真结果表明，TCPW-F算法在时延性能方面表现更优，单位时间抖动趋于稳定的速度更快。在同一信道带宽下增大包生成速率，改进算法的实时吞吐量明显高于原算法，具备一定的噪声丢包感知能力，无线网络的TCP传输质量获得较大改善。     

机器人系统有限时间自适应迭代学习控制

研究任意初态下，机器人系统的有限时间自适应迭代学习控制方法。引入初始修正吸引子的概念，构造一个含有初始修正项的误差变量。针对定常机器人系统和时变机器人系统，采用Lyapunov-like方法，分别设计迭代学习控制器处理系统中不确定性。并且，采用未含/含限幅学习机制，保证闭环系统各变量的一致有界性和误差变量在整个作业区间一致收敛性。藉以实现跟踪误差在预先指定区间的完全跟踪。仿真结果验证所设计控制方法的有效性。     

基于混合蚁群算法的异质车队低碳VRP研究

针对货运车辆在配送调度过程中产生大量碳排放的问题，建立模型将多种影响碳排放量的因素协同优化。模型中考虑了不同载重量的异质车队，两个节点之间有多条道路的柔性路径，以及车辆重量随卸货而减少的动态负载等因素，以碳排放量、行驶时间和行驶路程为优化目标，并加入了节点需求时间窗、根据速度变化划分路段、交接和卸货时间的约束。提出了一种混合蚁群算法，利用蚁群算法信息素强度更新方式保持群体记忆性，利用粒子群算法的快速收敛特性增加计算效率。通过随机数值算例的仿真优化与对比分析，验证了算法和模型的有效性。     

基于LBT-SA的LoRaWAN信道接入方法研究

标准LoRaWAN协议中定义的纯ALOHA信道接入方法在网络负载较大时会造成大量碰撞，使LoRa网络的可扩展性和可靠性受到极大挑战。为此提出了一种将先听后说与模拟退火相结合（Listen Before Talk combined with Simulated Annealing，LBT-SA）的LoRa信道接入方法。该方法通过在设备发送之前先监听信道，降低信道被同时接入的概率，并以成功传输所需退避时间为初始值，搜索更小的退避时间。仿真结果表明，LBT-SA和基于二元指数退避算法的先听后说（Listen Before Talk，LBT）方法在包成功传输率方面保持了高度的一致，并且LBT-SA在周期传输过程中逐渐减少了不必要的退避时间，从而减少了时延。在多达10 000个终端接入单个网关的场景中，该算法的平均退避时间至少降低了16.38%。     

基于虚拟现实的复杂场景加载优化算法

目前大规模场景模型生成的需求量日益增加, 现提出了一种基于区域的自动 LOD (Levels Of Details)构建算法. 该算法基于动态网格简化算法, 在游戏设计制作的过程中, 游戏开发人员会经常需要对美工部门人员提供的模型进行优化. 为了可以使模型的面数得到简化, 并且不改变模型的外观. 当今流行的 LOD技术非常擅于处理这种情况, 判断模型与摄像机的距离如果超过一定范围之后, 自动调取不同层次的模型, 当模型距离摄像机很远的情况下使用面数低的模型替换高模, 这样可以提高帧率并且降低摄像机前的三角面以及顶点数从而减少渲染压力. 一般模型的简化分为静态和动态模型的简化.大部分情况下, 程序员会让美工部门提供几套不同面数的模型或者通过模型简化工具对高模进行减面并存成多个Mesh, 并在程序运行的时候, 根据模型与摄像机的距离远近动态的替换Mesh. 这是一种静态的方法.这里将尝试使用一种动态的网格简化和LOD技术相结合的方法. 这种新型算法的大大的简化了操作流程, 美术人员只需要提供一个模型, 程序员可以使用这种方法生成量级不同的低模, 根据摄像机与模型的远近自动的调取不同精度的模型.