3.9 KiB
缺失值补充、毛刺、滤波 机理验证 速度、位移，采取到数据校验 500个点，有异常点位
校验时间，行业解决方案 dlss3.0，1080 4k，降维升维 多源融合
DLSS
- 数万图片训练通用模型
- 针对特定游戏训练（2.0不需要针对某一游戏训练）
缺失值补充 一般信息 均值，众数 时序信息 删除 填充 统计方式填充 分析缺失点前后的数据，从而更精准的对缺失数据进行填充。常见的方法有均值填充、中值填充、常用值填充等。但这类方法忽略了数据的时序信息 机器学习 LSTM 基于生成模型的时序数据缺失值插补方案设计 - 中国知网 (buaa.edu.cn) 毛刺 图像处理 可以使用图像锐化处理来增强边界，突出细节，或者增强被模糊了的边缘。 一般信息 调谐/滤波方法去除毛刺
DLSS3 超采样 DLSS3的超采样的原理是，它利用AI网络对低分辨率的画面进行分析和重建，生成高分辨率的画面，从而提升画质和性能。 用AI进行图像重建
传感器融合 弹性交互传感器独立更新方法 多传感器融合专题（二） | 多观测数据信息整合方法讨论 - 知乎 (zhihu.com) 基于模型的方法（机理 基于模型的传感器融合是指利用已知的被测对象或系统的物理模型，对多个传感器的观测数据进行融合，以提高测量的精度和可靠性的方法。基于模型的传感器融合的优点是可以利用模型的先验知识，减少传感器的数量和类型，降低测量的成本和复杂度，提高测量的鲁棒性和适应性。基于模型的传感器融合的缺点是需要准确的模型，否则会导致融合的误差和不稳定性。基于模型的传感器融合的应用领域包括自动驾驶、模型预测控制、多目标跟踪等。 基于规则的方法 基于规则的传感器融合是指利用人为设定的规则，对多个传感器的观测数据进行融合，以提高测量的精度和可靠性的方法。基于规则的传感器融合的优点是可以利用人的经验和知识，处理不确定性和模糊性的信息，提高测量的灵活性和鲁棒性。基于规则的传感器融合的缺点是需要人工设计和维护规则，难以适应复杂和动态的环境，难以保证融合的一致性和最优性。基于规则的传感器融合的应用领域包括自动驾驶、协方差交叉融合等。 基于神经网络的方法 基于神经网络的传感器融合是指利用神经网络的非线性拟合能力，对多个传感器的观测数据进行融合，以处理复杂和难以建模的场合的方法。基于神经网络的传感器融合的优点是可以不需要精确的对象模型，具有较强的自适应能力，提高测量的精度和可靠性。基于神经网络的传感器融合的缺点是需要大量的训练数据，计算量较大，难以保证融合的一致性和最优性 基于模糊逻辑的方法 基于模糊逻辑的传感器融合是指利用模糊推理的原理，对多个传感器的观测数据进行融合，以处理不确定性和模糊性的信息的方法 模糊推理是一种使用模糊逻辑制定从给定输入到输出的映射的过程。模糊推理系统由五个功能模块组成：规则库，数据库，决策单元，模糊化接口和反模糊化接口。模糊推理可以处理不确定性和模糊性 多传感器信息融合研究综述 - 中国知网 (buaa.edu.cn)