- NeRF 解决 MRI 重建中的欠采样问题
提出了一种利用神经辐射场(NeRF)概念的新型亚采样磁共振成像(MRI)技术,通过径向亚采样,将相应的成像问题转化为从稀疏观察数据渲染的图像建模任务,因此可以利用隐式神经表示从亚采样的 K 空间数据中获得高维 MR 图像。
- 条件非线性 Autoencoder 用于轨迹预测
这篇论文提出了改进的 CVAE 模型,采用无味采样、更结构化的混合潜空间和更富表达力的推理方法,用于轨迹预测和图像建模任务,并在各自数据集上优于现有方法和基准模型。
- ICML带有条件和局部连接片段 - 瓦瑟斯坦流的非参数生成建模
本文提出了一种基于 Sliced-Wasserstein Flow 的生成模型,即 Conditional Sliced-Wasserstein Flow(CSWF),可以进行非参数条件建模,并引入视觉研究中的局部联通性和多尺度表示两种技术 - 利用 Sinkhorn 散度训练差分隐私生成模型
利用差分隐私训练基于最优输运的生成模型,避免了隐私数据的直接使用,并可有效控制偏差 - 方差交换,此方法能够在多个图像建模基准测试中改进现有技术并合成 RGB 图像。
- 无监督地发现物体地标作为结构表示
本文提出一种基于自动编码器的方法,无需监督信号,从而学习图像模型中的对象结构,发现了与手动注释地标更为相关的语义有意义的地标,这些地标是识别视觉属性的补充特征,并且自然地创建了一个无监督、可感知的界面,用于操纵对象形状和解码具有可控结构的图 - NIPSGibbsNet:深层图模型的迭代对抗推理
本研究提出了基于对抗习得迭代过程的 GibbsNet 方法,用于学习数据和潜变量之间的联合分布,具有快速高效的优点。GibbsNet 方法不需要显式指定潜变量的先验分布,即可实现属性预测、类条件生成和联合图像属性建模等多种任务。实验表明,G - 深度变分推断无需像素级重构
本文提出了一种基于深度神经网络的变分自编码器,使用实值非体积保存变换来准确计算数据的条件似然,采用由少量中间层组成的强大条件耦合层来使其学习效果更好,在图像建模任务上有着不错的表现。
- 描述者与生成器网络的协同训练
本文研究了两个生成模型的协作训练,利用卷积神经网络 (ConvNets) 来进行图像建模和合成,并探究了如何将 MCMC 采样算法无缝地融入协作学习算法中,成功地实现了两个模型的同步训练,从而学习到高度真实的生成模型。
- ECCV深度马尔可夫随机场用于图像建模
本文提出了一种基于全连接神经元的新型 MRF 模型,将深度神经网络的表达能力和 MRF 的循环依赖结构结合在了一起,通过对多个 RNN 进行逆向连接形成的前馈网络的近似表示,实现了高效的学习和在各种低级视觉任务中的卓越表现。
- ICML生成对抗文本到图像的合成
利用递归神经网络和深度卷积生成对抗网络构建了新的深度架构和 GAN 公式,将字符转换为像素,有效地将文本和图像建模相结合,从而实现了从详细文本描述中生成花和鸟的逼真图像的能力。
- 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 '。