使用深度卷积自编码器进行画家分类的 DeepPainter
这篇论文研究了利用人工智能和神经网络技术实现数字化艺术作品的分类和管理,以及通过使用迁移学习和机器学习方法实现画家的自动识别和分类,实现了 85% 的分类准确率。
Apr, 2023
本论文根据对深度神经网络训练过程的观察,提出了 class-encoder 的形式化表述方法,它结合了自动编码器(auto-encoders)和 softmax 函数进行监督训练,以降低类别内部的特征空间变异性,提高人脸识别模型的分类性能。
May, 2016
利用深度学习技术,本研究通过 8 种不同的深度网络架构在两个不同的艺术数据集上进行对比实验,并引入一种通过多个模型提取和识别输入的不同特征的可变方法,创造了与现有工作相比更一致的模型,在最大艺术数据集上达到了最新的精确度(WikiArt - 68.55%),同时讨论了数据和艺术风格本身对模型性能的影响。
May, 2024
本文介绍了 PixelGAN 自编码器,通过条件生成对抗网络并在潜变量编码上加入不同的先验分布从而对图像信息进行全局对比或局部对比,实现了样式和内容信息的自监督分离,并在 MNIST、SVHN 和 NORB 数据集上实现了竞争力的半监督分类结果。
Jun, 2017
本文介绍了一种基于 Deep Image Prior 算法的图像修复方法,该方法对于数字人文领域中古老壁画的修复效果优于基于变分 / PDEs 和基于块的方法。作者通过将修复数据引入到一个未经过训练的卷积神经网络中,利用可靠信息匹配来完成修复。作为案例研究,作者将这种方法应用于地中海阿尔卑斯山区几个小教堂内高度损坏的中世纪画作的图像修复,并提供了详细描述。
Jun, 2023
通过对潜空间内的图像与训练样例的相似性进行分类,本文探究基于原型例子的类别推理方法在深度学习模型中的应用,成功应用于医学图像学领域,提高了深度学习模型的可解释性。
Jun, 2023
本研究采用基于自编码器的后向扩散模型和交叉注意力增强的 U-Net 来实现压缩潜在空间的图像生成,扩展了 LDMs 的创意绘画能力,包括文本条件扩展和模型重新训练,该方法使用 Wikiart 数据集进行新颖的绘画生成,并通过与原模型的直接比较表明创造力和艺术性得到了丰富的提高。
Sep, 2022
本文研究了不同的自编码器架构和训练策略,以从图像中学习表征,研究了网络深度和容量对降维和泛化能力的影响,结果表明自编码器特征的分类结果与预训练卷积神经网络一样有辨别能力。以上发现可用于设计跨领域的无监督表征学习方法。
Nov, 2018
本研究提出了一种无监督的视觉特征学习方法,称为 Context Encoders,利用卷积神经网络通过上下文预测像素来对图像进行重构,该方法通过重构加对抗性损失双重学习获得更加清晰的结果,这种学习到的特征在分类、检测和分割等任务中表现出了很好的效果。
Apr, 2016