关键词multi-modal distribution
搜索结果 - 10
- 重新思考用于立体匹配网络的交叉熵损失
本文提出了一种新的自适应多模交叉熵损失函数，以促进网络为边缘和非边缘像素生成不同的分布模式，并优化推理阶段的视差估计器来减轻边缘处的伪影和对齐偏差，提高了经典立体匹配模型的性能。其中 GANet 在 KITTI 2015 和 2012 基准 - 学习随机过程的条件生成模型
提出了一种学习多模态分布的框架 —— 条件量子生成对抗网络（C-qGAN），该神经网络结构严格在量子电路内，因此显示出比当前方法更有效的状态准备程序。将这一方法应用于定价亚式期权衍生品，为进一步研究其他路径依赖期权打下了基础。
- CVPR跳跃式扩散模型用于随机轨迹预测
提出了一种基于 LEapforg 扩散模型的轨迹预测方法，可提供实时路径多样化的预测，并在四个真实数据集上取得了 23.7% / 21.9% ADE / FDE 的提高和 19.3 / 30.8 / 24.3 / 25.1 倍的加速比。
- 自我提炼 StyleGAN: 以网络照片为基础的生成
本文提出了一种基于 StyleGAN 的自我蒸馏方法，通过生成图像的自我筛选和感知聚类来解决从互联网采集的未加工图像数据集中存在的离群值和多模态分布等挑战，实现高质量图像的生成。
- 基于对比表示学习的盲目图像超分辨率
设计了一种名为 CRL-SR 的网络进行盲超分辨率重建，可以有效应对多模式、空间变量和未知分布的图像降质，其应用了对比度表示学习和对比度特征强化两种策略，并在实验中验证了其在超分辨率重建上的优越性。
- 强化学习动态泛化中的轨迹多项选择学习
本文介绍一种新的基于模型的强化学习算法，名为 trajectory-wise multiple choice learning，该算法通过学习多头动力学模型来实现动力学泛化，具有优异的零样本泛化性能。
- 有条件流变分自编码器用于结构化序列预测
介绍了一种新的结构化序列预测方法 —— 有条件流变分自编码器 (CF-VAE)，使用新的条件归一化流先验捕获复杂的多模态条件分布；同时，提出两种新的正则化方案，使训练更加稳定。在 MNIST 序列、斯坦福无人机和 HighD 三个数据集上的 - RepMet: 基于代表性度量学习的分类和单次物体检测
本文提出了一种新的 DML 方法，该方法同时学习骨干网络参数、嵌入空间和每个训练类别在该空间中的多模态分布，通过单一的端到端训练过程优于现有最优方法，不仅在标准的精细化数据集上，而且在少样本目标检测问题上也取得最佳结果，并在基于 Image - 基于机动 LSTM 的多模态环境车辆轨迹预测
本文针对自动驾驶汽车在复杂交通情境下进行安全高效的行驶所需的需求，提出了使用 LSTM 模型来进行交互式的运动预测，并在 NGSIM US-101 和 I-80 数据集上与其他方法进行了比较和分析。
- CVPR学习多样化的图像上色
使用变分自编码器 (VAE) 建立灰度图像到多种可能颜色映射的条件模型，利用多模态分布的采样得到表现出长程空间协调性的多样性上色结果。与条件卷积变分自编码器（CVAE）和条件生成对抗网络（cGAN）方法相比，多模态变量 (VAE) 方法能够