基于注意力机制的卷积自编码器用于三维变分数据同化

Jan, 2021

基于注意力机制的卷积自编码器用于三维变分数据同化

Attention-based Convolutional Autoencoders for 3D-Variational Data Assimilation

Julian Mack, Rossella Arcucci, Miguel Molina-Solana, Yi-Ke Guo

TL;DR使用卷积自编码器，提出了一种新的基于‘双减少空间’的三维变分数据同化方法，证明该方法的解与先前的方法相同，但计算复杂度显著降低；我们测试了该方法的性能，并在与现有方法相比，减少背景协方差矩阵表示的大小，同时提高数据同化精度。

Abstract

We propose a new 'Bi-Reduced Space' approach to solving 3D Variational Data Assimilation using convolutional autoencoders. We prove that our approach has the same solution as previous methods but has significantly lower computational complexity; in other words, we reduce the computatio

variational data assimilation convolutional autoencoders computational complexity pollution model reduced space methods

发现论文，激发创造

用于遥感中安全有损图像压缩的卷积变分自编码器

通过卷积变分自编码器 (CVAE) 进行图像压缩的研究，其能够显著降低传输数据体积并保证安全有损图像重建的品质。

Apr, 2024

变分自编码器中潜空间的自适应压缩

这篇文章介绍了一种对变分自动编码器 (VAEs) 进行简单扩展的方法，通过渐进性减小潜空间大小来自动确定训练过程中的最佳潜空间大小，并将该方法与传统的超参数网格搜索进行比较，结果表明其速度显著更快，且在四个图像数据集上实现了最佳的维度。此外，还证明了我们方法的最终性能与从头开始训练的最佳潜空间大小相当，因此可能作为一种便利的替代方法。

Dec, 2023

VAE-Var：变分自编码增强的变分同化

VAE-Var 是一种新的变分算法，利用变分自动编码器（VAE）对背景误差分布进行建模，理论推导了 VAE 估计下的变分成本，并提出了 VAE-Var 的一般公式；我们在低维混沌系统上实现了 VAE-Var，并通过实验结果证明了在不同观测设置下 VAE-Var 始终优于传统的变分同化方法。

May, 2024

用深度卷积循环自编码器学习流体系统低维特征动态

本研究提出一种基于深度学习的非线性模型降维策略，通过深度卷积自编码器和 LSTM 网络构建模块化模型，实现繁重计算任务中的模型降维，同时保持计算效率和系统稳定性。

Aug, 2018

基于变分自编码器的无监督三维点云异常检测

本文提出了一种针对三维点云的端到端无监督异常检测框架，该模型基于深度变分自编码器进行无监督学习和针对三维点云的异常分数计算，并在 ShapeNet 数据集上进行了广泛实验，证明了该方法优于基线方法。

Apr, 2023

Compress3D：来自单张图像的 3D 生成的压缩潜空间

通过使用 triplane 自编码器将 3D 模型编码为紧凑的 triplane 潜空间，本文提出了一种有效压缩 3D 几何和纹理信息的方法，并引入了 3D 感知交叉注意机制，从高分辨率的 3D 特征体积中查询特征，提高了潜空间的表示能力。同时利用图像嵌入和形状嵌入作为条件，通过扩散先验模型估计形状嵌入，实现了优于现有算法的性能，且仅在单个 A100 GPU 上耗时 7 秒。

Mar, 2024

变分自编码器用于形变三维网格模型

本文介绍了一种基于神经网络和自动编码器的新型框架 —— 网格变分自编码器来研究分析具有形变的 3D 网格，通过在概率潜空间中探索 3D 表面，既可以代表 3D 动画序列，也可以代表同一类别的对象集合，具有大规模非线性形变的多样形状，广泛的实验表明我们的方法可以实现不同的形状性能，如形状生成、形状内插，形状空间嵌入和形状探索，取得了超越最先进方法的结果。

Sep, 2017

走向概念压缩

通过引入一种简单的循环变分自编码器结构，我们在图像建模方面取得了显著进展，实现了割裂了关于全局概念信息和底层细节的分离，达到了无监督学习的基石之一。同时，我们通过仅存储关于图像的全局信息，实现了高质量的 ' 概念压缩 '。

Apr, 2016

带边缘收缩池化的 Mesh 变分自编码器

本文提出了一种基于图卷积的网格平均池化方法，使用改进型网格简化避免产生高度不规则的三角形。在此基础上，提出了一种利用边缩减池化和图卷积的自动编码器结构，能够对 3D 表面进行概率潜空间的探索，并展示了在形态生成、形态插值和形态嵌入等各种应用中其更好的泛化能力和更可靠的性能。

Aug, 2019

高效深度数据同化与稀疏观测及时变传感器

将深度学习技术整合到变分数据同化中，引入了名为 VIVID 的新型变分数据同化方案，通过利用 Voronoi-tessellation 和卷积神经网络的能力，VIVID 能够处理稀疏、非结构化和时变传感器数据，在减小数据同化所需最小化步骤的同时，与 Proper Orthogonal Decomposition (POD) 结合，进一步加快场重建的速度，通过在流体动力学系统中进行数值实验，证明了 VIVID 在超过现有数据同化和深度学习算法的性能上的显著优势，并验证了 VIVID 在不同先验误差水平、不同数量传感器的应用和数据同化误差协方差误差配置方面的鲁棒性。

Oct, 2023