LeetCode ||Ugly Number II

本文详细阐述了一种用于计算第n个丑数的高效算法,通过比较并选择最小的丑数候选,确保序列中每个元素都是前三个质数(2、3、5)的幂次乘积。

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

class Solution {
public:
    int nthUglyNumber(int n) {
        if(n <= 0)
    		return 0;
        
    	int nthNum = 1;
    	int i2= 0, i3 = 0, i5 = 0;
    	
    	vector<int> nums;
    	nums.push_back(1);
    
    
    	while(nums.size() < n)
    	{
    	    if(nums[i2] * 2 == nums[nums.size() - 1])
			    i2++;
			if(nums[i3] * 3 == nums[nums.size() - 1])
			    i3++;    	    
			if(nums[i5] * 5 == nums[nums.size() - 1])
			    i5++;
			    
    		if(nums[i2]*2 < nums[i3]*3)
    		{
    			if(nums[i3]*3 < nums[i5]*5)
    			{
    				nums.push_back(nums[i2]*2);
    				i2++;
    			}
    			else
    			{
    				if(nums[i2]*2 < nums[i5]*5)
    				{
    					nums.push_back(nums[i2]*2);
    					i2++;
    				}
    				else
    				{
    					nums.push_back(nums[i5]*5);
    					i5++;
    				}
    			}
    		}
    		else
    		{
    			if(nums[i2]*2 < nums[i5]*5)
    			{
    				nums.push_back(nums[i3]*3);
    				i3++;
    			}
    			else
    			{
    				if(nums[i3]*3 < nums[i5]*5)
    				{
    					nums.push_back(nums[i3]*3);
    					i3++;
    				}
    				else
    				{
    					nums.push_back(nums[i5]*5);
    					i5++;
    				}
    			}
    		}
    	}
    	
    	return nums[nums.size()-1];
    }
};

更简单的写法:

class Solution {
public:
    int FindMin(int x, int y, int z)
    {
        int minNum = (x > y)?y:x;
        minNum = (minNum < z)?minNum:z;
        return minNum;
    }
    
    int nthUglyNumber(int n) {
        if(n <= 0)
    		return 0;
        
    	int nthNum = 1;
    	int i2= 0, i3 = 0, i5 = 0;
    	
    	vector<int> nums;
    	nums.push_back(1);
    
    
    	while(nums.size() < n)
    	{
    	    int minNum = FindMin(nums[i2] * 2, nums[i3] * 3, nums[i5] * 5);
    	    
    	    if(nums[i2]*2 == minNum)
    	        i2++;
    	    if(nums[i3]*3 == minNum)
    	        i3++;
    	    if(nums[i5]*5 == minNum)
    	        i5++;
    	   
			nums.push_back(minNum);
    	}
    	
    	return nums[nums.size()-1];
    }
};


内容概要:该论文聚焦于T2WI核磁共振图像超分辨率问题,提出了一种利用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