Dec, 2023

CSOT：面向学习含噪标签的课程和结构感知最优输运

PDF
TL;DR我们提出了一种新的优化输运 (OT) 方法，称为课程和结构感知的优化输运 (CSOT)，它同时考虑样本的全局和局部分布结构，构建了一个稳健的去噪和重新标记分配器。通过训练过程，分配器逐步为具有最高置信度的样本分配可靠的标签，这些标签具有全局可辨识性和局部一致性。我们的方法在学习噪声标签方面表现优于当前技术水平。
learning with noisy labelswell-generalized modeloptimal transportcurriculum and structure-aware optimal transportreliable labels
发现论文，激发创造
  • OTA: 目标检测的最优传输分配

    本文提出了一种从全局角度重新考虑标签分配的方法，将其表述为最优输运（OT）问题，并使用 Sinkhorn-Knopp 迭代法求解，经实验证明这种方法在物体检测中具有显著的效果提升。

    Mar, 2021

  • 面向稀疏无监督恢复学习的最优传输感知算法

    本文提出一种稀疏感知的最优传输 (SOT) 准则，通过利用 OT 框架中的降级疏松性，可以在无监督的恢复学习中显着提高性能，特别是在超分辨率和去雾等任务上。实验结果表明，SOT 可以在这些任务中显著优于现有的无监督方法，接近于最优监督方法的表现。

    Apr, 2023

  • 通过最优传输表征超出分布误差

    提出了一种新的利用最优传输理论来估计模型在无标签 out-of-distribution 数据上表现的方法，该方法称为置信度最优传输（COT），并且通过引入阈值处理的方法 Confidence Optimal Transport with Thresholding（COTT），可进一步提高精度。在各种标准基准测试中，实验表明 COT 和 COTT 优于现有的最先进方法，预测误差降低了高达 3 倍。

    May, 2023

  • SP$^2$OT：语义规范化的逐步偏差最优传输用于不平衡聚类

    我们提出了一个基于最优传输的伪标签学习框架来解决深度不平衡聚类问题，该框架通过逐步将样本转移到不平衡的聚类中生成高质量且注意不平衡性的伪标签。

    Apr, 2024

  • 有监督条件蒙日图训练

    使用 CondOT，一种多任务学习方法，结合上下文变量和部分输入凸的神经网络，可以在给定单细胞的基因或治疗干预效果的情况下，推断出其任意组合的效果。

    Jun, 2022

  • OTMatch：以最优传输方式改进半监督学习

    本文介绍了一种新的方法 OTMatch，通过使用最优输运损失函数，利用类别之间的语义关系，提高半监督学习的性能。与现有最先进的方法 FreeMatch 相比，在 CIFAR-10、STL-10 和 ImageNet 数据集上分别实现了 3.18%、3.46% 和 1.28% 的错误率降低，证明了我们方法在半监督学习中利用语义关系提升学习性能的有效性和优越性。

    Oct, 2023

  • 残差调节最优传输：朝向结构保持的非配对及配对图像恢复

    深度学习图像修复中，我们提出了一种新的残余条件的最优传输（RCOT）方法，该方法将图像修复建模为一种最优传输问题，通过整合传输残差作为独特的特定退化线索来保留原始图像的结构细节，并通过对抗训练神经网络来解决。与现有方法相比，RCOT 方法在多个修复任务中显示出更好的失真度量和感知质量，可以更忠实地恢复图像的结构细节。

    May, 2024

  • 共同优化传输

    提出一种名为 COOT 的新型最优输运问题，它同时优化两个输运映射，用于异质域适应和聚类数据总结，相比现有的方法，COOT 表现出更高的性能。

    Feb, 2020

  • COT Flow：通过对比对学习最优转运图像采样和编辑

    Diffusion models suffer from computationally expensive iterative generation, limited editing flexibility, and Gaussian noise constraints; Contrastive Optimal Transport Flow (COT Flow) overcomes these limitations, enabling fast, high-quality generation and improved zero-shot editing with unpaired image-to-image translation and doubled editable space.

    Jun, 2024

  • 非平衡最优输运半对偶形式生成建模

    本文提出基于 Unbalanced Optimal Transport (UOT) 的半对偶形式构建的新型生成模型，相比于基于 OT 的方法在处理噪点，稳定性和训练收敛速度等方面表现更优。通过实验验证了该模型的性质，并研究了 UOT 之间分布差异的理论上界。实验结果显示，该模型在 CIFAR-10 和 CelebA-HQ-256 数据集上的 FID 分别为 2.97 和 5.80，优于现有基于 OT 的生成模型。

    May, 2023