May, 2024

边界感知解耦流网络用于逼真的极端缩放

PDF
TL;DR提出了 Boundary-aware Decoupled Flow Networks (BDFlow) 来生成逼真且视觉上令人愉悦的结果，通过将高频信息分解为 “语义高频” 和 “非语义高频” 两部分，并使用 Boundary-aware Mask (BAM) 约束模型生成丰富的纹理，实验证明 BDFlow 在保持较低复杂性的同时，显著优于其他最先进的方法。
generative methodsimage rescalingboundary-aware decoupled flow networkshigh-frequency informationbdflow
发现论文，激发创造
  • 可逆残差缩放模型

    通过学习特定分布下的高分辨率图像与低分辨率图像之间的双射映射，我们提出了可逆残差缩放模型 (IRRM) 来构建深度网络，通过长跳跃连接的残差降采样模块 (RDM) 和短连接的可逆残差块 (IRB) 来强制模型提取图像的高频信息，从而在图像缩放任务中显著优于其他先进方法，且使用更少的参数和复杂性。

    May, 2024

  • 分叉生成流网络

    生成流网络（GFlowNets）是一种有前景的概率抽样框架，目前出现了一种新的家族。然而，现有的 GFlowNets 由于边缘流的直接参数化或依赖于可能难以扩展到大型操作空间的反向策略，往往导致数据效率较低。本文介绍了一种称为 Bifurcated GFlowNets（BN）的新方法，该方法采用分岔结构设计，将流程分解成状态流程和基于边缘的流程分配的独立表示。此分解使得 BN 能够更有效地从数据中学习，并更好地处理大规模问题，同时保持收敛保证。通过在标准评估基准上进行了大量实验，我们证明 BN 相对于强基准模型显著提高了学习效率和效果。

    Jun, 2024

  • 贝叶斯流网络

    该论文介绍了贝叶斯流网络（BFNs），这是一种新的生成模型，通过贝叶斯推理修改一组独立分布的参数，然后将其作为输入传递给神经网络，输出第二个相互依赖的分布。BFNs 在连续数据、离散化数据和离散数据等方面有效，并在图像建模和字符级语言建模任务中实现了有竞争力的对数似然值。

    Aug, 2023

  • 基于深度无监督学习的湍流生成技术在多种雷诺数条件下的应用

    本文利用生成对抗网络和循环神经网络结合的方式，通过无监督学习生成了一种可以模拟各种湍流雷诺数下流动的模拟数据，并与真实数据达成了一定程度上的拟合。

    Aug, 2019

  • 神经网络与重整化群流的尺度不变特征提取

    基于玻尔兹曼机和伊辛模型，利用模型参数流的方式，研究深度神经网络特征提取的层次性以及与统计物理中重整化群的关系。通过分析训练后的玻尔兹曼机的权重矩阵性质，解释其向临界温度 $T_c=2.27$ 流动的原因以及学习提取自旋构型特征的方式。

    Jan, 2018

  • 结构流导向网络用于真实深度超分辨率

    本文提出了一种新的结构流引导的 DSR 框架，其中学习交叉模态流图来指导 RGB - 结构信息的传输，以实现精确的深度超分辨率提升，经过对真实和合成 DSR 数据集的广泛实验，验证了该方法相对于现有技术的卓越性能。

    Jan, 2023

  • 通过判别器梯度流完善深度生成模型

    通过熵正则化的 f - 散度梯度流技术，可以提高生成数据的质量，避免了浪费的样本拒绝，可以应用于各种生成系统，并取得了显著的效果优于 DOT 和 DDLS 方法。

    Dec, 2020

  • NM-FlowGAN: 基于正则化流和生成对抗网络的混合方法建模 sRGB 噪声

    采用数据驱动的生成模型，NM-FlowGAN 通过同时使用基于正则化流的像素级噪声建模网络和基于生成对抗网络的空间相关建模网络，优于其他基准模型，实现了对 sRGB 噪声的更准确建模和合成。

    Dec, 2023

  • 算法幻觉下的近地表风：生成对抗网络用于下尺度对流区域的统计降尺度

    本研究运用生成对抗网络（GANs）和计算机视觉技术，通过图像超分辨率和深度学习方法，针对低分辨率全球再分析数据，生成逼真的高分辨率地表风场，并探究了 GANs 不同配置与低分辨率协变量对风场结构偏差产生的影响。

    Feb, 2023

  • 模糊、噪声和压缩鲁棒性生成对抗网络

    提出了 Blur, Noise, and Compression Robust GAN (BNCR-GAN)，它可以在不知道降解参数的情况下直接从退化图像中学习干净图像，同时适用于不可逆降解，例如模糊、压缩和混合。该算法通过掩码架构调整数据驱动的降解强度值，并引入自适应一致性损失来抑制模糊、噪声和压缩组合的不确定性。经过大规模比较研究和广泛分析，我们证明了 BNCR-GAN 的有效性，并证明了其在图像恢复中的适用性。

    Mar, 2020