원래 이름 기록: 斯纳普公司

一种遮挡检测系统，该遮挡检测系统执行操作，所述操作包括：从第一客户端设备访问第一图像数据，所述第一图像数据包括对象的第一显示；基于所述第一图像数据检测所述对象的第一属性；从第二客户端设备访问第二图像数据，所述第二图像数据包括所述对象的第二显示；基于所述第二图像数据检测所述对象的第二属性；执行对所述第一属性和所述第二属性的比较；以及基于所述比较检测遮挡。

描述了用于改进机器学习模型的系统。在一些情况下，系统通过以下操作来改进这样的模型：识别机器学习模型的迭代去噪过程中的机器学习模型块的性能特性；基于所识别的性能特性将机器学习模型内的机器学习模型块中的在前机器学习模型块与在后机器学习模型块连接；识别用户的提示，该提示指示用户对生成图像的意图；以及使用机器学习模型分析与提示相对应的数据以生成一个或更多个图像，机器学习模型被训练成基于与提示相对应的数据来生成图像。

公开了一种台阶式衍射光栅及其制造方法。在基板表面上通过形成光学透射材料的多个堆叠层来分别形成多条平行光栅线。在截面中，每条光栅线具有：上层，该上层具有上表面，该上层具有第一端和第二端；底层，该底层具有：邻接基板表面的底表面以及具有第一端和第二端的上表面；上升阶梯部分，该上升阶梯部分以10度和60度之间的上升阶梯角度延伸；以及下降阶梯部分，该下降阶梯部分以上升阶梯角度和89度之间的下降阶梯角度延伸。

描述了一种系统，该系统用于通过以下方式基于由用户发起的交互功能来识别内容增强：确定来自交互系统的第一用户的交互功能的发起；使用第一机器学习模型处理与交互功能相关联的数据以生成特征向量；以及基于用于交互功能的特征向量与用于至少一个推荐内容增强的特征向量的比较来识别至少一个推荐内容增强。系统然后向第一用户显示至少一个推荐内容增强以及用于各个推荐内容增强的对应可选择用户界面元素。

训练第一神经网络以利用说明目标真值输出图像的小的示例图像集来生成真值，所述示例图像可以是AR风格的人的全身图像。第一神经网络用于根据随机输入图像来生成真值输出图像。第一神经网络的示例方法包括确定输入图像中的姿态，改变输入图像的区域内的像素的值，将姿态、经改变的输入图像的区域以及描述输入图像的文本提示输入到神经网络中以生成输出图像。该方法还包括确定输出图像与输入图像之间的损失以及基于该损失更新神经网络的权重。然后，利用所生成的真值来训练第二神经网络。并且，使用第二神经网络生成应用。

设计了神经网络处理器以处理时间相关信号的连续窗口。每个窗口包含时间间隔（T）内的信号的多个（ns个）样本，其中，每个窗口相对于在前的一个窗口偏移了小于T的时间步长。该时间步长对应于由定义的基础偏移量（h）。处理器执行具有多个层（L）的神经网络，每个层包含多个神经元，按时域（Y）进行索引。处理器对于每个样本窗口执行操作，包括通过参考具有由基础偏移量和累积上/下采样因子确定的索引值（Y）的神经元来计算神经元的差分结果信号。

提供了用于生成静态和关节式3D资产的系统和方法，其核心包括3D自动解码器。3D自动解码器框架将从目标数据集学习到的属性嵌入到潜在空间中，然后可以将其解码为体积表示，以渲染视图一致的外观和几何形状。然后标识适当的中间体积潜在空间，并实施鲁棒归一化和反归一化操作，以从刚性或关节式物体的2D图像或单目视频中学习3D扩散。这些方法足够灵活，可以使用现有的相机监督或根本不使用相机信息，而是在训练期间有效地学习相机信息。所生成的结果被证明在各种基准数据集和指标上优于最先进的替代方案，包括合成物体的多视图图像数据集、移动人的真实野外视频以及大规模的静态物体的真实视频数据集。