本报告提出了一个从多样化输入提示（包括单张图像、多视角图像和文本描述）生成高质量3D形状和纹理的综合框架。该框架包括3D形状生成和纹理生成两部分。(1) 3D形状生成流程采用变分自编码器 (VAE) 将隐式3D几何编码到潜在空间中，并使用扩散网络生成基于输入提示的潜在表示，同时通过修改增强了模型容量。此外，还探索了一种替代的艺术家创建网格 (AM) 生成方法，在简单几何体上取得了良好的效果。(2) 纹理生成涉及多阶段过程，首先生成正面图像，然后生成多视角图像，进行RGB到PBR纹理转换，并进行高分辨率多视角纹理优化。在每个阶段都引入了一致性调度器，以确保推理过程中多视角纹理之间的像素级一致性，从而实现无缝集成。

我们持续获取、组织和利用知识的能力是人类智能的一个关键特征，AI 系统必须接近这一特征才能充分发挥其潜力。鉴于大语言模型 (LLMs) 在持续学习中的挑战，检索增强生成 (RAG) 已成为引入新信息的主要方式。然而，其对向量检索的依赖阻碍了其模拟人类长期记忆的动态和互连性的能力。最近的 RAG 方法通过知识图谱等各种结构增强向量嵌入，以解决其中的一些差距，即意义构建和关联性。然而，它们在更基本的事实记忆任务上的表现远低于标准的 RAG。我们解决了这种意外的退化问题，并提出了 HippoRAG 2，这是一个在事实、意义构建和关联记忆任务上全面优于标准 RAG 的框架。HippoRAG 2 建立在 HippoRAG 中使用的个性化 PageRank 算法的基础上，并通过更深层次的段落整合和更有效的在线使用 LLM 来增强它。这种组合使该 RAG 系统更接近人类长期记忆的有效性，在关联记忆任务上比最先进的嵌入模型提高了 7%，同时还表现出卓越的事实知识和意义构建记忆能力。这项工作为 LLMs 的非参数持续学习铺平了道路。我们的代码和数据将在 https://github.com/OSU-NLP-Group/HippoRAG 发布。

研究计划撰写：明确目标、文献综述、方法、预期结果、时间表和预算。关键步骤包括：明确研究目标、全面了解现有研究、描述研究方法、阐述预期结果、设定时间表和预算。清晰、简洁且与研究领域相关。

更深的神经网络更难训练。我们提出了一种残差学习框架来减轻网络训练，这些网络比以前使用的网络更深。我们明确地将层变为学习关于层输入的残差函数，而不是学习未参考的函数。我们提供了全面的经验证据说明这些残差网络很容易优化，并可以显著增加深度来提高准确性。在ImageNet数据集上我们评估了深度高达152层的残差网络——比VGG[40]深8倍但仍具有较低的复杂度。这些残差网络的集合在ImageNet测试集上取得了`3.57%`的错误率。这个结果在ILSVRC 2015分类任务上赢得了第一名。我们也在CIFAR-10上分析了100层和1000层的残差网络。

近年来，深度学习方法已经成功地应用于单图像超分辨率任务。尽管深度学习方法有很好的性能，但由于计算量大的要求，它们很难适用于实际任务。 本文通过提出一种精确、轻量级的图像超分辨率深度网络来解决这一问题。 详细地说，我们在残差网络上设计了一个级联机制的架构。我们也展示了多个不同的级联残差模型来验证算法的有效性。大量实验表明，即使用很少的参数和操作，我们的模型也能达到与最先进的方法相当的性能。