You cannot select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
This file contains ambiguous Unicode characters that may be confused with others in your current locale. If your use case is intentional and legitimate, you can safely ignore this warning. Use the Escape button to highlight these characters.
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，
校验时间，行业解决方案
dlss3.0， ，
多源融合
DLSS
- 数万图片训练通用模型
- 针对特定游戏训练（
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) ](https://kns-cnki-net-443.e1.buaa.edu.cn/kcms2/article/abstract?v=3uoqIhG8C475KOm_zrgu4lQARvep2SAkueNJRSNVX-zc5TVHKmDNklIfftVh-KGfJudOaEyFoac0JqmekYNaWVpQZKawqUCa&uniplatform=NZKPT )
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， ， ，
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) ](https://zhuanlan.zhihu.com/p/569124652 )
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) ](https://kns-cnki-net-443.e1.buaa.edu.cn/kcms2/article/abstract?v=3uoqIhG8C44YLTlOAiTRKibYlV5Vjs7iJTKGjg9uTdeTsOI_ra5_XYetGMfq1OY0eSKGgEnUfqEmCelnrdiooXV8PWsvUr8W&uniplatform=NZKPT )