- 最大割的基准:朝着组合优化的学习启发式评估的标准化
设计适用于基于图的组合优化问题的通用启发式方法,通过引入图神经网络 (GNN) 来学习分布特定的解决方案结构。通过提出开源基准测试套件 MaxCut-Bench,对多个学习方法进行系统验证,并发现某些学习启发式方法无法胜过贪婪算法,只有一种 - 使用基于扩散的先验解决蛋白质空间中的逆问题
通过结合物理学模型和先前训练的生成模型,我们引入了一个多功能框架,将不同类型的生物物理测量转化为三维原子模型,该方法在线性和非线性反问题上优于后验采样基线,特别是首次利用扩散方法从低温电子显微镜密度图中改进原子模型。
- 基于 ODE 的学习优化
通过将惯性系统与 Hessian 驱动的阻尼方程(ISHD)与基于学习的方法相结合,本文提出了一个综合框架,以理论洞察力的深度协同为基础,通过发展优化方法来研究加速方法的理解。
- ContourCraft: 学习解决神经多服装模拟中的相交问题
使用基于学习的方法解决神经布料模拟中的碰撞和交叉问题,通过引入一种新的碰撞轮廓损失函数与碰撞避免的排斥目标相结合,显著提高了学习模拟的碰撞处理能力,并产生了视觉上令人满意的结果。
- 个性化内容合成的扩散模型调查
近年来生成模型的发展对内容创作产生了重大影响,引发了个性化内容合成(PCS)的出现。本文以扩散模型为重点,全面调研 PCS,并介绍了 PCS 研究的通用框架,即基于优化和基于学习的方法。文中进一步分析这些方法的分类及技术,并讨论了其优势、局 - 面向基于学习的方法的组合问题的通用表示
通过构建图形表示并引入图神经网络结构,本文旨在实现对组合问题的全面通用表示,并在四个组合问题的实验结果中展示了与专用架构相当的性能和广泛适用性。
- 学习辨别超平面的黑盒动态系统安全过滤器
基于学习的方法成为黑盒动态系统安全过滤的有效途径,本研究提出了一种以约束为中心的方法,通过定义一个判别超平面,对控制输入的半空间约束进行建模,从而实现对安全性的保障。该方法有助于简化安全过滤器的设计,并可用于学习新任务而无需重新训练。
- CVPR注意力模块提升现代图像级异常检测:DifferNet 案例研究
提出一种基于 DifferNet 的解决方案,利用 SENet 和 CBAM 作为骨干网络的注意力模块,通过对三个不同的视觉检测和异常检测数据集(MVTec AD、InsPLAD 故障和半导体晶片)进行改进,提高了检测和分类能力,并通过定量 - 神经可达管的验证:基于场景优化和合规预测
通过鲁棒方案优化和符合性预测,为神经可达管提供概率性安全保证;采用异常值调整的验证方法从神经可达管的误差分布中恢复更大的安全空间,有效解决多车碰撞避免和火箭降落等高维问题。
- RobustCalib:具有一致性学习的鲁棒激光雷达 - 相机外参标定
在这篇论文中,我们提出了一种新的方法来解决激光雷达 - 相机外部参数标定问题,通过基于一致性学习的隐式重新标定,通过引入外观一致性损失和几何一致性损失来实现激光雷达和相机之间的一致性,进而提高对各种场景的适应性,并在推理过程中实现简单高效的 - Brain-ID:学习脑部成像的强健特征表示
Brain-ID 是一种用于脑成像的稳健特征表示学习策略,无论采集图像的外观如何(例如变形、对比度、分辨率、方向、伪影等),都能适应各个受试者的脑解剖结构,可用于多种对比度相关和独立的下游任务。
- 自主车辆的可解释和灵活的目标条件神经规划器
通过学习驾驶员示范,我们提出了一种可解释神经规划器,用于回归热力图,有效代表自主车辆在鸟瞰图中的多个潜在目标,以解决现实场景中存在的多个可接受计划问题,并通过使用负高斯核来加强热力图回归的监督学习,从而提高碰撞回避效果。我们在 Lyft 开 - 跨模态融合与知识传递的鲁棒导航
通过跨模态融合方法和知识迁移框架,提出了一种改善移动机器人的泛化能力并实现从模拟到实际场景的导航技能转移的方法,通过教师 - 学生蒸馏架构,在理想环境中学习判别性表示和接近完美的策略,通过模仿教师的行为和表示,学生能够对来自多噪声模态输入的 - 点云配准的测试时自适应方法:多任务元辅助学习
我们提出了一种新颖的测试时间自适应框架 (Point-TTA) 用于点云配准 (PCR),它提高了配准模型的泛化性和性能。我们的模型可以在测试时间适应未知分布,不需要对测试数据有任何先验知识,通过优化主要的 PCR 任务和三个自监督辅助任务 - 基于连续的代理动作学习的实时单目全身世界坐标系捕捉
本文提出了一种基于学习的方法,通过顺序代理到运动的学习方案和二维骨架序列与三维旋转运动的代理数据集,构建了一个网络来实现全身姿态的实时捕获,且提出了一个具有接触感知功能的神经运动下降模块以及分享身体手部上下文信息以实现更兼容的手腕姿势恢复, - 利用本地和全局特征提升社交网络的链接预测:一种基于聚类的方法
提出一种结合第一和第二组方法的两阶段方法,其中第一阶段确定与节点位置和动态行为相关的新特征,第二阶段应用子空间聚类算法对社会对象进行分组,以区分集群的强度,在 Facebook、Brightkite 和 HepTh 等真实数据集上进行了广泛 - 控制障碍函数的最优性、稳定性和可行性:一种基于自适应学习的方法
本文提出了一种新颖的基于神经网络的自适应多步控制屏障函数方法,以解决当前控制屏障函数的优化、稳定性和可行性等方面的局限性,在各种场景下对一阶和二阶系统进行了评估,并定量定性地表明相对于传统控制屏障函数方法,该方法有着更出色的表现。
- CVPRFantastic Breaks: 真实世界破损物品及其完整物品对的成对 3D 扫描数据集
本文介绍了 “Fantastic Breaks (和它们在哪里找到)” 数据集,该数据集包含 150 个 3D 损坏的物体的扫描、防水和清理网格,以及完整对应物体的几何对齐。通过对破裂几何的详细分析,揭示了 Fantastic Breaks - 从物体点云中学习家具装配
本文介绍了一种基于学习的方法,使用模拟环境实现家具组装规划,无需连接标签,仅依靠原始点云图像来训练神经网络以成功组装不同类型的家具。
- ECCVMatchNorm: 学习点云识别技术用于 6D 物体位姿在真实环境中的估计
本文提出了一种新的 Match Normalization 的归一化策略和基于负对数似然的损失函数的应用,用于解决学习式 D 目标对应问题在实际数据集中面临的挑战,实验表明这两个方法能够在 TUD-L, LINEMOD 和 Occluded