【LeetCode】子集1

本文深入探讨了子集生成算法的两种实现方式:递归构造和位运算。通过实例展示了如何利用这两种方法从一个整数数组中生成所有可能的子集,即幂集。文章详细解释了每种方法的思路和代码实现,为读者提供了清晰的理解和实践指导。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

 
//给定一组不含重复元素的整数数组 nums,返回该数组所有可能的子集(幂集)。
#include<iostream>
#include<vector>
#include<string>
using namespace std;

//第一种解法
//思路:把1,2放进分别放进vector,之后再合并,以此类推
vector<vector<int>> subsets(vector<int>& nums)
{
	vector<vector<int>> res(1);//初始化为大小为1
	for (int i = 0; i < nums.size(); i++)
	{
		int len = res.size();
		for (int j = 0; j < len; j++)
		{
			vector<int> v = res[j];//v[i]=>i==res[j]
			v.push_back(nums[i]);
			res.push_back(v);
		}
	}

	return res;

}
//{}
//{} {1}
//{} {1} {2} {12}
//{} {1} {2} {12} {3} {13} {23} {123}


//第二种解法
//思路:位运算 外层循环控制对数组中每个数字的选择,内层循环是从二进制数000到111所有情况的列举。	
vector<vector<int>> subsets2(vector<int>& nums)
{
	
	int len = nums.size();
	int last = 1 << len;//选和不选 last中选择
	vector<vector<int>> res(last);
	for (int i = 0; i < len; i++)
	{
		for (int j = 0; j < last; j++)
		{
			if (j >> i & 1)////j左移i位(从而判断数组中第i个元素是否加入子集),结果和1相与(从而只取最低位)
			{
				res[j].push_back(nums[i]);
				 
			}
		}
	}

	return res;
}
int main()
{
	vector<int> nums = { 1,2,3 };
	vector<vector<int>> res = subsets2(nums);
	for (int i = 0; i < res.size(); i++)//打印输入的二维数组
	{
		for (int j = 0; j < res[i].size(); j++)
		{
			cout << res[i][j] << " ";

		}
		cout << endl;
	}
	 
	vector<vector<int>> res = subsets(nums);
	for (int i = 0; i < res.size(); i++)//打印输入的二维数组
	{
		for (int j = 0; j < res[i].size(); j++)
		{
			cout << res[i][j] << " ";

		}
		cout << endl;
	}

	getchar();
	return 0;
}
 

 

内容概要:该论文聚焦于T2WI核磁共振图像超分辨率问题,提出了种利用T1WI模态作为辅助信息的跨模态解决方案。其主要贡献包括:提出基于高频信息约束的网络框架,通过主干特征提取分支和高频结构先验建模分支结合Transformer模块和注意力机制有效重建高频细节;设计渐进式特征匹配融合框架,采用多阶段相似特征匹配算法提高匹配鲁棒性;引入模型量化技术降低推理资源需求。实验结果表明,该方法不仅提高了超分辨率性能,还保持了图像质量。 适合人群:从事医学图像处理、计算机视觉领域的研究人员和工程师,尤其是对核磁共振图像超分辨率感兴趣的学者和技术开发者。 使用场景及目标:①适用于需要提升T2WI核磁共振图像分辨率的应用场景;②目标是通过跨模态信息融合提高图像质量,解决传统单模态方法难以克服的高频细节丢失问题;③为临床诊断提供更高质量的影像资料,帮助医生更准确地识别病灶。 其他说明:论文不仅提供了详细的网络架构设计与实现代码,还深入探讨了跨模态噪声的本质、高频信息约束的实现方式以及渐进式特征匹配的具体过程。此外,作者还对模型进行了量化处理,使得该方法可以在资源受限环境下高效运行。阅读时应重点关注论文中提到的技术创新点及其背后的原理,理解如何通过跨模态信息融合提升图像重建效果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值