CVPRMar, 2021

跨领域人体网格重建的双层在线适应

PDF
TL;DR本文研究了将预先训练的人体网格重建模型适应于域外流视频的新问题，提出了使用名为 BOA 的新训练算法来动态微调源模型，从而缓解域间差距，避免 2D 和时间约束之间的冲突。在人体网格重建基准测试中，展示了 BOA 领先于其他算法的最新成果。
human mesh reconstructionpre-trained model adaptationstreaming videosdomain gapsbilevel online adaptation
发现论文，激发创造
  • 基于动态双层在线适应的跨领域人体网格重建

    该研究考虑如何在线适应人体网格重建模型以适应不同相机参数、骨长、背景和遮挡等因素产生的分布偏移，提出 Dynamic Bilevel Online Adaptation 算法，并在三项人体网格重建基准测试中取得最先进的结果。

    Nov, 2021

  • 野外一致网格重建的在线适应

    本文提出了一种算法，用于从野外视频中重建变形对象实例的时间一致 3D 网格，不需要每个视频帧的 3D 网格注释，2D 关键点或相机姿态，而是将基于视频的重建构建为适用于任何传入测试视频的自监督在线适应问题。

    Dec, 2020

  • 缓解人类水平转移：多人姿态估计的稳健领域自适应方法

    本文提出了一种新颖的领域适应方法，用于多人姿态估计，以进行人类级别的拓扑结构对齐和细粒度特征对齐。通过三个模块实现：交叉注意力特征对齐（CAFA），域内结构自适应（ISA）和域间人 - 拓扑对齐（IHTA）模块，证明了该算法优于现有最佳算法。

    Aug, 2020

  • ScaleBiO: 面向 LLM 数据重新加权的可扩展的双层优化

    本研究提出了第一种可扩展实例，称为 ScaleBiO，通过与一种称为 LISA 的新型算法相结合，使软件在八个 A40 GPU 上扩展到 34 亿参数的大型语言模型（LLM），标志着在实际应用场景中首次成功应用双层优化于大型 LLM。从实证上来说，对于不同规模的模型，包括 GPT-2，LLaMA-3-8B，GPT-NeoX-20B 和 Yi-34B，通过数据重加权广泛实验验证了 ScaleBiO 的有效性，其中双层优化成功地过滤了无关的数据样本，并选择了信息量较大的样本。从理论上来说，ScaleBiO 确保了学习到的数据权重的最优性，并具有匹配传统的一阶平滑凸优化双层优化范式的收敛保证。

    Jun, 2024

  • 基于双层快速场景适应的低光图像增强

    该研究通过统计分析，构建了一种双层学习框架来解决计算机视觉中增强低光场景中的图像的问题，并提出了新的 Retinex 诱导架构。在多个数据集上进行的实验表明，该模型具有良好的适应性和表现优越性。

    Jun, 2023

  • 基于元学习的在线自适应立体深度估计

    本文提出了一种基于在线元学习的深度学习网络在线自适应方法来解决立体深度估计的在线自适应问题，并在 KITTI 数据集上进行了实验，其性能可以与基于批处理训练的最先进算法相媲美。

    Apr, 2019

  • 敏捷多源无域适应

    通过使用多个预训练模型中的丰富知识来适应地利用知识是大模型时代中的一个重要问题。本研究提出了一种新方法，通过 Bi-ATEN 模块来学习领域内权重和领域间组合权重，以在实例的特殊性和域的一致性之间实现良好平衡，从而实现在无需访问源数据的未标记目标域中自适应地利用来自多个源预训练模型的知识。

    Mar, 2024

  • 循环测试时间适应用于单目视频的 3D 人体网格重建

    通过在测试视频中循环适应两个网络：人体网格重建网络（HMRNet）和人体运动去噪网络（MDNet），我们的 CycleAdapt 可以克服测试时间的领域差异问题，并实现与以前的测试时间适应方法相比的最先进性能。

    Aug, 2023

  • 多级对齐的领域自适应姿态估计

    我们提出了一种多层次域适应方法，利用图像风格转换、对抗训练和自监督学习来同时在图像、特征和姿态水平上进行域间对齐，实现了在姿态估计中的显著改进，超越了现有最先进算法，对人体姿态的改进高达 2.4％，对狗的改进高达 3.1％，对羊的改进高达 1.4％。

    Apr, 2024

  • 基于优化元学习的摄像头畸变感知视频中的 3D 人体姿态估计

    本文提出了一种利用 MAML 算法、通过生成二维关键点的合成畸变数据，快速适应任何畸变环境的三维人体姿态估计模型，并通过使用骨长对称性和一致性进行推断阶段优化，以便在测试阶段成功适应各种程度的畸变并超越现有技术。

    Nov, 2021