Low-light images typically suffer from two problems. First, they have low visibility (i.e., small pixel values). Second, noise becomes significant and disrupts the image content, due to low signal-to-noise ratio. Most existing low-light image enhancement methods, however, learn from noise-negligible datasets. They rely on users having good photographic skills in taking images with low noise. Unfortunately, this is not the case for majority of the low-light images. While concurrently enhancing a low-light image and removing its noise is ill-posed, we observe that noise exhibits different levels of contrast in different frequency layers, and it is much easier to detect noise in the low-frequency layer than in the high one. Inspired by this observation, we propose a frequency-based decomposition- and- enhancement model for low-light image enhancement. Based on this model, we present a novel network that first learns to recover image objects in the low-frequency layer and then enhances high-frequency details based on the recovered image objects. In addition, we have prepared a new low-light image dataset with real noise to facilitate learning. Finally, we have conducted extensive experiments to show that the proposed method outperforms state-of-the-art approaches in enhancing practical noisy low-light images.

Abstract Background Q fever, caused by the zoonotic pathogen Coxiella burnetii, exhibits a worldwide prevalence. In China, Q fever is not recognized as a notifiable disease, and the disease is overlooked and underestimated in clinical practice, leading to diagnostic challenges. Case presentation We present a case series of three patients diagnosed with persistent Q fever between 2022 and 2023. The average age of our three cases was 63.33 years old, consisting of two males and one female. The medical history of the individuals included previous valve replacement, aneurysm followed by aortic stent-graft placement and prosthetic hip joint replacement. At the onset of the disease, only one case exhibited acute fever, while the remaining two cases were devoid of any acute symptoms. The etiology was initially overlooked until metagenomic next-generation sequencing test identified Coxiella burnetii from the blood or biopsy samples. Delayed diagnosis was noted, with a duration ranging from three months to one year between the onset of the disease and its confirmation. The epidemiological history uncovered that none of the three cases had direct exposure to domestic animals or consumption of unpasteurized dairy products. Case 1 and 2 resided in urban areas, while Case 3 was a rural resident engaged in farming. All patients received combination therapy of doxycycline and hydroxychloroquine, and no recurrence of the disease was observed during the follow-up period. Conclusion Q fever is rarely diagnosed and reported in clinical practice in our country. We should be aware of persistent Q fever in high-risk population, even with unremarkable exposure history. Metagenomic next-generation sequencing holds great potential as a diagnostic tool for identifying rare and fastidious pathogens such as Coxiella burnetii.

Given the development and abundance of social media, studying the stance of social media users is a challenging and pressing issue. Social media users express their stance by posting tweets and retweeting. Therefore, the homogeneous relationship between users and the heterogeneous relationship between users and tweets are relevant for the stance detection task. Recently, graph neural networks (GNNs) have developed rapidly and have been applied to social media research. In this paper, we crawl a large-scale dataset of the 2020 US presidential election and automatically label all users by manually tagged hashtags. Subsequently, we propose a bipartite graph neural network model, DoubleH, which aims to better utilize homogeneous and heterogeneous information in user stance detection tasks. Specifically, we first construct a bipartite graph based on posting and retweeting relations for two kinds of nodes, including users and tweets. We then iteratively update the node's representation by extracting and separately processing heterogeneous and homogeneous information in the node's neighbors. Finally, the representations of user nodes are used for user stance classification. Experimental results show that DoubleH outperforms the state-of-the-art methods on popular benchmarks. Further analysis illustrates the model's utilization of information and demonstrates stability and efficiency at different numbers of layers.

Sustainable farmland construction (SFC) is a priority development strategy used to address the integrated goals of "efficiency output, resource conservation, and environmental friendliness" in agricultural systems. Introducing farmer participation to optimize SFC institutions can improve farmland construction efficiency and address limited construction funding. This study analyzed farmer preferences for participating in SFC through a discrete choice experiment survey of farmers in the project area. This study also evaluated farmers' willingness to pay for different SFC schemes. The findings indicate that farmers prefer constructing mechanized production roads (MPR), leveling farmland and transforming the contiguous farmland (LF and CF), integrated irrigation and fertilizer facilities (IIFF), and moderate improvement in ecological protection facilities. On the basis of the heterogeneity of the farmer preferences, they can be classified as benefits-driven and ecology-driven. In addition, factors such as age, educational level, risk proneness, land transfer, and cultivated land quality can influence the classification of farmer preferences. Farmers' willingness to pay for MPR, LF and CF, ED, IIFF, and moderate improvement in ecological facilities has reached 50–80 % of construction costs, essentially bridging the investment gap under the SF standards set by the central government. Based on the aforementioned, SFC schemes should be designed to consider farmers' needs and regional development requirements. Allocating SF construction costs according to farmers' willingness to pay for various facilities, formulating diverse investment ratios, and forming a coherent government-farmer cooperation mode are recommended. This study introduces policy tools to establish a farmers' participation mechanism in farmland construction, offering valuable insights into institutional reforms in land consolidation projects across other developing countries.

The Blood-Labyrinth Barrier (BLB) is pivotal for the maintenance of lymphatic homeostasis within the inner ear, yet the intricacies of its development and function are inadequately understood. The present investigation delves into the contribution of the Mfsd2a molecule, integral to the structural and functional integrity of the Blood-Brain Barrier (BBB), to the ontogeny and sustenance of the BLB. Our empirical findings delineate that the maturation of the BLB in murine models is not realized until approximately two weeks post-birth, with preceding stages characterized by notable permeability. Transcriptomic analysis elucidates a marked augmentation in Mfsd2a expression within the lateral wall of the cochlea in specimens exhibiting an intact BLB. Moreover, both in vitro and in vivo assays substantiate that a diminution in Mfsd2a expression detrimentally impacts BLB permeability and structural integrity, principally via the attenuation of tight junction protein expression and the enhancement of endothelial cell transcytosis. These insights underscore the indispensable role of Mfsd2a in ensuring BLB integrity and propose it as a viable target for therapeutic interventions aimed at the amelioration of hearing loss.

High-quality real-time rendering using user-affordable capture rigs is an essential property of human performance capture systems for real-world applications. However, state-of-the-art performance capture methods may not yield satisfactory rendering results under a very sparse (e.g., four) capture setting. Specifically, neural radiance field (NeRF)-based methods and 3D Gaussian Splatting (3DGS)-based methods tend to produce local geometry errors for unseen performers, while occupancy field (PIFu)-based methods often produce unrealistic rendering results. In this paper, we propose a novel generalizable neural approach to reconstruct and render the performers from very sparse RGBD streams in high quality. The core of our method is a novel point-based generalizable human (PGH) representation conditioned on the pixel-aligned RGBD features. The PGH representation learns a surface implicit function for the regression of surface points and a Gaussian implicit function for parameterizing the radiance fields of the regressed surface points with 2D Gaussian surfels, and uses surfel splatting for fast rendering. We learn this hybrid human representation via two novel networks. First, we propose a novel point-regressing network (PRNet) with a depth-guided point cloud initialization (DPI) method to regress an accurate surface point cloud based on the denoised depth information. Second, we propose a novel neural blending-based surfel splatting network (SPNet) to render high-quality geometries and appearances in novel views based on the regressed surface points and high-resolution RGBD features of adjacent views. Our method produces free-view human performance videos of 1K resolution at 12 fps on average. Experiments on two benchmarks show that our method outperforms state-of-the-art human performance capture methods.

Recently, several stereo image deraining methods have been proposed to recover clean backgrounds from rainy stereo images by exploring and exploiting intra and inter-view information. Despite these methods have achieved great progress, they under-utilize the parallax information of input images, and do not take advantage of existing high-quality and abundant single image rainy datasets for learning. In this paper, we propose an effective and efficient network, named Asymmetrical Parallax Attention Network (APANet), for stereo image deraining. Specifically, to fully exploit the parallax information, we first adopt an External Attention Module (EAM), which consists of an external attention block with two learnable memories, and a gated feedforward network, for achieving a better feature representation by incorporating the correlations between all samples. Subsequently, we propose an Asymmetrical Parallax Attention Module (APAM) to efficiently exploit the cross-attention between the features separately extracted from the left and right views, which filters useless stereo feature relationships with a well-designed mask calculated by excavating the parallax information (positional information of each matched pixel pair within a stereo image). For learning our network, we also construct an unpaired real-world stereo rainy image dataset, called StereoRealRain, which consists of some video clips (including 11803 image pairs). Moreover, we also introduce a Single-to-Stereo Image Deraining Distillation strategy for transferring the knowledge learned from single images deraining to stereo images deraining to improve the generalization ability of our network. Extensive experiments conducted on synthetic and real-world stereo rainy datasets demonstrate the effectiveness of our method. Our code and dataset will be available at https://github.com/YT3DVision/APANet .

Ghosting effects typically appear on glass surfaces, as each piece of glass has two contact surfaces causing two slightly offset layers of reflections. In this paper, we propose to take advantage of this intrinsic property of glass surfaces and apply it to glass surface detection, with two main technical novelties. First, we formulate a ghosting image formation model to describe the intensity and spatial relations among the main reflections and the background transmission within the glass region. Based on this model, we construct a new Glass Surface Ghosting Dataset (GSGD) to facilitate glass surface detection, with ∼ 3.7K glass images and corresponding ghosting masks and glass surface masks. Second, we propose a novel method, called GhostingNet, for glass surface detection. Our method consists of a Ghosting Effects Detection (GED) module and a Ghosting Surface Detection (GSD) module. The key component of our GED module is a novel Double Reflection Estimation (DRE) block that models the spatial offsets of reflection layers for ghosting effect detection. The detected ghosting effects are then used to guide the GSD module for glass surface detection. Extensive experiments demonstrate that our method outperforms the state-of-the-art methods. We will release our code and dataset.