社区

时光流转祥龙隐, 新春启幕瑞蛇临, 财气满满迎新岁,微美全息在新的一年祝您阖家跨年平安喜乐！

岁末已至，新年已来，元旦佳节，微美全息在此祝您年年岁岁常平安，岁岁年年多欢愉。

年年圆满如意，月月万事顺心，日日喜悦无忧，时时高兴欢喜，刻刻充满朝气，月圆人圆花好，事顺业顺家兴。微美全息在新的一年祝您阖家跨年平安喜乐!

微美全息祝大家中秋国庆双节快乐！

北京2023年06月05日 -- 微美全息软件有限公司（纳斯达克: WIMI）（以下简称为“微美全息”或“公司”），一家全球领先的全息AR应用技术提供商，宣布推出一款采用先进transformer算法的人工智能助手，名为WiMi AI助理。该助手经过多年的研发和优化，成功地将transformer算法应用于自然语言处理领域，为用户提供了一个更智能、更高效的交流平台。 WiMi AI助理具有以下技术亮点： 1. Transformer算法：WiMi AI助理采用了先进的transformer算法，能够自动学习和理解人类语言，实现与人类之间的智能对话。Transformer算法的引入使得助手能够更好地处理长距离依赖和复杂语境，从而提高整体的语言理解能力。 2. 自然语言处理：通过深度学习和大数据技术，WiMi AI助理可以理解用户的语境和需求，即使是复杂的问题也能迅速给出准确的答案。此外，助手还具有自我学习和优化的能力，能够不断地提高问题解答的准确性和效率。 3. 个性化推荐：WiMi AI助理能够根据用户的行为和兴趣，为其提供个性化的信息推荐。无论是新闻、音乐还是电影，助手都能够精准地满足用户的需求，为他们带来更加个性化的体验。 4. 多领域应用：WiMi AI助理不仅局限于智能家居、智能客服等领域，还可以应用于医疗、金融、教育等多个行业，扩大人工智能技术的影响力。 微美全息一直致力于创新科技的研发与应用，WiMi AI助理的推出是对人工智能技术的又一次重要突破。微美全息将继续加大研发投入，为用户提供更多优质的智能产品和服务。 关于微美全息 微美全息纳斯达克股票代码：WiMi$微美全息(WIMI)$ 。微美全息专注于全息云服务，主要聚集在车载AR全息HUD、3D全息脉冲LiDAR、头戴光

微美全息软件有限公司（纳斯达克: WIMI）（以下简称为“微美全息”或“公司”），一家全球领先的全息AR应用技术提供商，今日宣布用ChatGPT技术实现全息数字孪生，布局ChatGPT底层全息技术研发，对全息ChatGPT“下一代互联网”展开积极的探索和布局。 “全息ChatGPT数字孪生”的本质是一个开放的虚拟世界，在软硬件条件的支持的情况下，通过高度覆盖、网络质量优良的互联网服务众多用户，从而保证虚拟世界的基本运行以及全息内容生产。微美全息的ChatGPT数字孪生主要布局在于对底层全息技术的软硬件研发，进一步拓展全息技术在全息ChatGPT数字孪生的场景应用。 一、在全息ChatGPT数字孪生软件技术方面，微美全息基于成像检测和识别技术、模板匹配和检测技术、视频处理和识别技术、成像识别中的全息3D层替换技术和成像跟踪中的动态融合处理技术,将全息AR内容嵌入到虚拟应用中。微美全息基于图像检测、识别、模板匹配、图像动态融合和替换的全息AR内容和全息成像服务，将在全息ChatGPT数字孪生商业应用中产生商业价值。 二、在全息ChatGPT数字孪生全息应用方面，微美全息拥有全面的全息IP权益内容库,虚拟全息内容涵盖从3D模型到全息虚拟产品。微美全息共拥有4,654个全息虚拟IP权益内容,可用于微美全息的全息AR产品和解决方案,涵盖范围广泛的类别,包括全息动漫、虚拟直播、虚拟偶像和虚拟社交。微美全息的虚拟资产将会在全息ChatGPT数字孪生中产生商业价值。 三、在全息ChatGPT数字孪生硬件方面，微美全息已经推出相关全息XR头戴式显示器产品“WiMi Hologram SoftLight”，并且该产品已经获得美国FFC许可并批准进入美国市场。该产品在图像色彩管理、可对接的设备以及佩戴体验感等方面加速了迭代，这也为微美全息在全息ChatGPT数字孪生头显市场打下基础。 目前，微美

美东时间12月13日，微美全息软件有限公司(纳斯达克: WIMI)（以下简称为“微美全息”或“公司”），一家全球领先的增强现实（“ AR”）服务提供商，今天宣布其旗下子公司VIYI算法公司（“VIYI Algo”）宣布已完成与特殊目的收购公司（SPAC）Venus Acquisition Corporation合并的方式进行公开上市，在此交易中，VIYI算法公司的估值为4亿美元。 WiMi拥有VIYI算法公司4亿估值的73%的合法及实益拥有人，对应相应比例估值的资产在纳斯达克上市，上市后WiMi内在实际价值将会凸显。12月13日上市合并后的公司主体将命名为MicroAlgo Inc.，纳斯达克股票代码为“MLGO”。MicroAlgo Inc.上市后，WiMi作为大股东，WiMi将持有MicroAlgo Inc.上市公司63.32%的合法及实益拥有人，从而拥有较高的股权价值，对WiMi内在实际价值产生积极有利的增强作用。 VIYI算法致力于定制中央处理算法的开发和应用。中央处理算法是指一系列计算算法，包括分析算法、推荐算法和加速算法。VIYI Algo通过将中央处理算法与软件或硬件或两者结合，为客户提供全面的解决方案，从而帮助客户增加客户数量，提高最终用户满意度，实现直接成本节约，降低功耗，实现技术目标。VIYI Algo的服务范围包括算法优化、不需要硬件升级就能加速计算能力、轻量级数据处理和数据智能服务。VIYI Algo能够通过定制的中央处理算法有效地为客户提供软件和硬件优化，这是VIYI Algo长期发展的驱动力。 微美全息创始人CEO石硕表示：“WiMi拥有VIYI算法公司4亿估值的73%的合法及实益拥有人，VIYI Algo作为领先的中央处理算法服务提供商，VIYI处于快速增长收入的理想。微美全息此次投资VIYI Algo实现纳斯达克上市，有利于保持公司在元宇宙和

随着全球信息化的发展，网络已经覆盖人类生产和生活的诸多领域。特别是近年来，5G网络、大数据、人工智能（AI）、物联网等新兴信息技术迅速普及和推广，作为纳斯达克上市企业“微美全息US.WIMI”旗下研究机构“微美全息科学院”的科学家们进一步推动物理空间的信息化和网络化。网络空间（Cyberspace）逐渐成为物理空间的全息映射，网络空间由互联网、通信网、计算机系统、自动化控制系统、数字设备及其承载的应用、服务和数据等组成。网络空间所承载的分布广阔、数量庞大的信息资产。 微美全息(NASDAQ:WIMI)一直在探索全息视觉等技术在网络空间领域的应用，用以钻研高精度、智能化的全息技术的应用，同时拓展和深化网络空间测绘领域。WIMI微美全息科学院对全息技术与地理的交互作用协同进行了深入研究，并且提出网络空间技术新理念：多维全息视觉测绘。它可以通过多源数据分析x(叠加绘制+全息时空建模)=多维全息视觉测绘，在相关区域上构建精细网格，然后在网格上的每个点进行预测，在观察到的数据点之间进行插值来解决空间问题。如果在测量位置和网格的每个点都有一组解释或预测变量，那么可以使用回归模型来生成预测。在此项下的模型还需要提供任何预测的不确定性度量，因为没有在所有可能的位置观察到所需的输出。在这个实践中，WIMI微美全息科学院将考虑生成一个空间数据集，并从使用已知的方法开始，尝试将线性模型拟合到这个空间数据，识别这种方法的任何问题并激发超越这些全息模型的需要。通过网络多源大数据抓取技术、统计分析技术和全息可视化技术，通过绘制“全息时空图”实现区域时空压缩的多维全息可视化。在此基础上，WIMI微美全息科学院还打算结合AI算法和多域叠加和综合绘制来构建网络空间资源全息地图，并根据不同的场景目标按需应用全息地图，通过迭代演进使得测绘能力不断提升。 WIMI微美全息科学院的姚卫博士认为，网络空间测绘技术需要

金秋十月，迎来祖国庆典，华夏儿女共庆，龙的传人荣光，美丽锦绣河山，传统文化经典，科技完美展现，谱写新的篇章，祝愿伟大的祖国繁荣昌盛，微美全息祝大家国庆快乐！

图像是人们获取信息和交换信息的一种重要信息源，图像质量的好坏直接决定了后续应用及处理的性能。现实中的图像在生成、数字化和传输过程中常常受到各种噪声的干扰和影响而降低质量，称为含噪图像或噪声图像。为了抑制噪声，改善图像质量，便于更高层次的处理，作为纳斯达克上市企业“微美全息US.WIMI”旗下研究机构“微美全息科学院”的科学家们对图像进行去噪处理，这种减少图像噪声的过程称为图像去噪，又称为图像滤波或平滑。图像去噪作为图像分析的预处理步骤，一直是图像处理和计算机视觉领域的一项基础性工作。 在过去的几十年里，已经有了大量的图像去噪方法。这些方法大致可以分为两类：空间域方法和变换域方法。其中空间域方法主要利用了图像中各像素随机噪声之和为零的特点，常用的空间域滤波方法有均值滤波法（邻域平均法）、中值滤波法、高斯滤波法、双边滤波法和维纳滤波法等。变换域方法通过数学变换，在变换域上把信号和噪声分离，然后把噪声过滤掉，剩下的就是信号。其基本思想其实就是首先进行某种变换，将图像从空间域转换到变换域，然后从频率上把噪声分为高中低频噪声，用这种变换域的方法就可以把不同频率的噪声分离，之后进行反变换将图像从变换域转换到原始空间域，最终达到去除图像噪声的目的。 常用的变换域滤波方法主要有傅里叶变换法、离散余弦变换法、多尺度几何分析法和小波变换法等。后来又出现了一种精心设计的自适应空间估计策略—非局部平均(Non-Local Means,NL-Means)算法。这种方法不同于变换域方法，它的基本思想是建立图像的逐点估计，其中每个像素的像素值均用某些区域的中心像素的加权平均值来进行估计，这些区域与以待估计像素为中心的区域相似。该估计是非局部的，因为这种加权平均原则上可以在图像中的所有像素上进行。该算法由Buades在2005年提出，与常用的双线性滤波、中值滤波等利用图像局部信息进行滤波不同，它利用了整幅