- TriPlaneNet: EG3D 反演编码器
该论文介绍了一种基于三平面表示的实时方法,该方法直接利用编码器进行潜在编码,并将其扩展为三平面数值偏移的全卷积预测器,从而弥合了当今用于高质量变形和重新渲染存在的方法之间的差距。
- 物理知识神经网络拓扑优化:应用于隐形几何物体的非侵入式探测
应用基于物理学的神经网络技术(PINNs)开发出一种具有先进拓扑结构的拓扑优化框架,实现了在医学和工业应用中使用非侵入式成像技术检测出隐藏的几何结构。
- 可证明边界的神经网络原像
本文介绍了第一个有效的边界传播算法 INVPROP,用于在神经网络的线性约束输出集的原像上验证属性,并可以与分支和限制相结合以实现完整性。我们的算法在安全控制区域量化和神经网络中检测超出分配的输入方面具有应用价值,并且在相同硬件上比先前的工 - ECCV逆向图像信号处理与 RAW 重建。AIM 2022 挑战赛报告
介绍了 AIM 2022 挑战,通过建立方法和基准,该挑战旨在解决如何从对应的 RGB 图像中恢复原始传感器图像的问题,并且得到了最新的结果,这对于其他任务可以产生潜在的益处。
- PR-DAD: 使用深度自动编码器进行相位恢复
本研究提出了一种新颖的基于深度自动编码器的相位恢复深度学习体系结构 PR-DAD,其组件经过精心设计并基于相位恢复问题的数学建模,实验结果表明其性能超越了当前所有方法。
- CVPR使用混合密度网络生成多个假设的三维人体姿态估计
本文提出了一种基于多模式混合密度网络的方法,可以从 2D 关节生成多个可行的 3D 人体姿势假设。实验表明,我们的方法具有先进的性能,并且可以用于针对 2D-3D 反问题的多解决方案。
- 神经近端梯度下降在压缩成像中的应用
通过使用基于残差网络的近端映射,以及递归应用近端梯度算法的基本架构,该研究成功地解决了许多有关从受限传感器数据中恢复高分辨率图像时遇到的挑战,包括训练数据的缺乏,需要满足物理可行性的合理重建,以及在实时应用中需要快速重建。经过广泛的实验,该 - 拓扑光子学的机器学习反问题
利用机器学习的方法解决拓扑相反问题,用于识别复杂拓扑绝缘体的参数,以获得在目标频率下的受保护边缘状态,并解决了直接问题的多值分支和非物理解问题。应用于一个实际的拓扑激光设计,结果表明这种新的基于机器学习的逆向设计技术可能扩展到拓扑光子学的许 - 密度泛函理论反问题的数值方法
本文主要探讨 Kohn-Sham 密度泛函理论的逆问题,介绍了基于偏微分方程优化和约束变分思想的两种求解方法,并对数种不同逆问题求解方法在一维有限和周期模型系统中的应用进行了比较和对比。
- 非对称动力学伊辛系统中的精确均场推理
我们提出了一种基本的平均场方法,用于完全不对称的动力学伊辛模型,可应用于该问题的单个实例。
- 应用于阻抗密度估计的双曲面上的 Möbius 反卷积
本文考虑了一个新颖的统计反问题,该问题涉及点卡尔(Poincaré)上(复)半平面的超几何结构,并利用适应于该超几何空间的 Helgason-Fourier 微积分的去卷积技术给出了一个极小即非参数密度估计器。该技术考虑到了由 M"{o} - 从复杂动力学推断网络拓扑
本文提出了一种从动力学观测中推断网络拓扑结构的简单直接方法,能够适用于任意网络动力学系统,基于对观察到的动态轨迹得到网络连接拓扑结构的解析解。