- SeeFar:卫星无关的多分辨率地理空间基础模型数据集
SeeFar 数据集是一个多分辨率卫星图像数据集,用于训练地理空间基础模型,解决商业卫星图像的高成本和有限历史可用性对基础模型训练的影响,并实现多源数据标准化和增强互操作性。
- 多分辨率低秩张量分解
通过多分辨率低秩张量分解以层次化方式描述张量,这种方法能够利用不同层次分辨率上的结构,创造性地解决了高阶张量分解这一基础问题。
- 两阶段多分辨率集成的稳健唤醒词检测
通过增强数据的时间对齐性和使用基于两个分辨率阶段的检测,本研究提出了一种声控界面的优化方案,包括轻量级即时处理音频流的设备端模型和云端验证模型。在隐私保护方面,该方案将音频特征发送到云端而非原始音频,且在各噪声条件下,所提出的模型优于更强的 - 多分辨率傅里叶神经算子的主动学习
提出了多分辨率主动学习的 FNO(MRA-FNO)框架,用于降低 Fourier 神经运算符的数据成本,并提高学习效率。通过概率多分辨率 FNO 和集成蒙特卡洛方法开发了有效的后验推断算法,采用效用 - 成本比率最大化作为采集函数来获取新的 - 语义多分辨率通讯
基于深度学习的多分辨率联合源信道编码(JSCC)框架通过多任务学习的概念,有效编码并解码不同分辨率的数据,突破了传统分离源信道编码(SSCC)方法在有限块长度数据处理中的次优性和多用户 / 多分辨率数据重构的限制,对于语义通信尤为有潜力,提 - MPPN: 多分辨率周期模式网络用于长期时间序列预测
本文提出了一种新颖的深度学习网络结构 MPPN,用于长期时间序列预测,该结构采用多分辨率语义单元、多周期模式挖掘和通道自适应模块来捕捉时间序列的本质模式,并提出了基于熵的评估方法来提高预测精度。在九个真实世界基准测试中,实验结果表明,MPP - 使用超网络学习改进的 NeRF 先验知识的 HyP-NeRF
本文提出了一种使用超网络来学习可推广类别级神经辐射场先验的隐式编码方法,称为 HyP-NeRF。 HyP-NeRF 不仅可以显着提高质量,而且还可以在多个下游任务中使用。
- 基于线性规划的资源感知信息论树抽象方法
提出了一个针对资源受限的自主代理人获取任务相关的多分辨率环境抽象的整数线性规划方案,该方案利用信息论信号压缩的概念,特别是信息瓶颈(IB)方法,在多分辨率树空间上将抽象问题作为最佳编码器搜索的一种方式。
- 深度感知度量用于图像质量评估的研究
本文研究了基于深度神经网络的知觉度量,用于评估图像质量,提出了一种多分辨率知觉量度(MR-Perceptual),在不同分辨率上聚合知觉信息,并在不同图像畸变的 IQ 任务中表现优于标准知觉量度。
- SMGRL: 可扩展的多分辨率图表示学习
我们提出了一个可应用于任何现有 GCN 模型的可扩展多分辨率图表示学习 (SMGRL) 框架,通过学习多分辨率节点嵌入有效地捕获长和短距离依赖,并将其聚合以产生捕获高质量节点嵌入的优化算法,同时提高分类准确度,而不会产生高计算成本。
- ECCV通过分辨率自适应流编码提高深度视频压缩
本文提出了一种名为 “分辨率自适应流编码”(RaFC)的新框架,它能够有效地压缩全局和局部的流向地图,使用多分辨率表示而不是单一分辨率表示来处理复杂或简单的运动模式,并应用了速率失真准则以选择最佳的运动编码模式。大量的实验证明了该框架的有效 - HITNet:用于实时立体匹配的分层迭代瓷砖细化网络
本文提出了 HITNet,一种新型神经网络结构,用于实时立体匹配。该算法使用多分辨率初始化步骤、可微 2D 几何传播和变形机制推断差异假设,是一种具有高灵敏度的架构,可在多个分类指标上获得最好的表现。
- ECCV渐进式点云解卷积生成网络
本论文提出了一种有效的点云生成方法,从潜在向量中生成相同形状的多分辨率点云;使用新颖的渐进去卷积网络和基于学习的双边插值,从低分辨率点云开始,通过级联的去卷积层逐渐输出高分辨率的局部和全局特征 maps,使用多层感知器作为生成网络生成多分辨 - KDDAMAD:基于对抗多尺度方法的高维时变分类数据异常检测
本文提出了一个统一的端到端方法,通过结合 Adversarial Autoencoder 和 Recurrent Neural Network 的优势来解决时间演变数据、高维分类特征异常检测中多重分辨率的识别和监测问题。实验结果表明我们的方 - IJCAIMR-GNN:用于预测结构化实体交互的多分辨率和双图神经网络
本文提出了 MR-GNN,这是一种具有多分辨率结构的图神经网络,能够从不同尺度的数据邻域中提取特征以及提取成对图之间的交互特征,相较于现有方法,显示出更好的预测效果。
- 3DPeople: 建模穿着衣服人的几何形状
本文提出了一种从单张照片中预测着装人体几何形状的新方法,包括三个关键点:一个新数据集,一个新的形状参数化算法和一个端到端的深度生成网络。
- Devon: 用于学习光流的可变形体积网络
本研究提出了一种新的神经网络模块,即 Deformable Cost Volume,旨在解决光流估计在多分辨率下容易失效和光流位移时会产生变形现象的问题。在此模块的基础上,我们设计了 Deformable Volume Network (D - 使用深度自监督全卷积网络进行非刚性图像配准
本文提出了一种基于全卷积网络优化并学习图像之间空间变换的新型非刚性图像配准算法,实现了多分辨率下空间变换和网络学习的联合优化,并且在注册 3D 结构性脑磁共振(MR)图像方面表现比最先进的图像配准算法更好。
- HEALPix 入门指南
HEALPix 是一个等面积、等纬度的球面像素化系统,支持局部操作、多分辨应用的分层树结构和全局快速球面谐波变换。该文介绍的基于 HEALPix 的数学软件,旨在应对将来高分辨率大容量 CMB 数据集,包括 MAP 和 Planck 任务产