- MVControl:在多视角扩散中增加条件控制以实现可控的文本到 3D 生成
通过引入 MVControl 神经网络架构,我们成功地提出了一种能够增强现有预训练的多视角二维扩散模型并结合额外输入条件(如边缘图)的方法。通过我们的方法,实现了可控的多视角图像生成和视角一致的三维内容创作。
- 通过自适应上下文感知策略在强化学习中实现动态概括
我们研究了如何将上下文信息引入行为学习以提高泛化性能,并引入了一个神经网络架构 —— 决策适配器,该架构生成适配器模块的权重,并根据上下文信息调整智能体的行为。实验证明,与以往方法相比,决策适配器在几个环境中表现出更好的泛化性能,并且相对于 - 使用身体部位外貌进行玩家重新识别
我们提出了一种神经网络架构,用于学习足球运动员再识别的身体部位外观。我们的模型包括一个双流网络(一个用于外观地图提取,另一个用于身体部位地图提取)和一个双线性池化层,用于生成和空间汇聚身体部位地图。我们的模型通过将相应的局部外观和身体部位描 - ProteusNeRF: 快速轻量级的 NeRF 编辑利用 3D 意识图像背景
通过图像编辑和几何和外观调整,我们提出了一个快速高效且占用内存低的神经网络架构,能够实现用户友好的交互式编辑 Neural Radiance Fields,并通过语义特征提炼和局部 3D 感知图像内容,使编辑结果视角一致。相比于现有的基于文 - 专家模型的可辨别性
对于具有二元潜在变量层和在已知潜在变量条件下独立同分布的二元可观测层的 Product of Experts 模型的可辨识性进行研究,证明当潜在变量均匀分布时,模型可通过与参数数量相等的可观测量来辨识,并且在更一般的任意分布情况下,模型的可 - 灵感于复杂集体的带有本地误差信号的领导者 - 跟随者神经网络
提出了一种灵感来源于自然界集合组织规则的神经网络架构,该架构包含领导者和追随者,并通过利用局部误差信号和全局损失进行训练,实现了比以往基于反向传播算法的 MNIST 和 CIFAR-10 算法具有显著更低的错误率,甚至在 ImageNet - JointNet:基于文本图像扩散的密集分布建模
介绍了 JointNet,一种用于建模图像和其他密集模态(例如深度图)联合分布的新型神经网络架构,并通过 RGBD 扩散作为示例以及广泛的实验证明了其在众多应用中的适用性,包括联合 RGBD 生成、密集深度预测、深度条件图像生成和一致的基于 - 分布式深度联合源信道编码与仅解码器辅助信息
在低延迟图像传输中,我们考虑了有相关辅助信息只存在于接收方的噪声无线信道(Wyner-Ziv 场景)。我们提出了一种新颖的神经网络架构,在接收方的多个阶段上整合解码器的辅助信息,结果表明该方法在所有信道噪声水平上在各种畸变标准下取得了改进的 - 基于样条的神经网络原子势函数:融合经典和机器学习模型
在这项工作中,我们引入了一种新的机器学习内原子势函数(MLIP)框架,将基于样条的 MEAM 势(s-MEAM)与神经网络(NN)架构的灵活性相结合。这种框架被称为基于样条的神经网络势(s-NNP),是传统 NNP 的简化版本,可以以计算高 - 因式分解扩散结构用于无监督图像生成与分割
我们发展了一种神经网络架构,以无监督的方式作为去噪扩散模型进行训练,同时学习生成和分割图像。通过去噪扩散目标来推动学习,无需任何注释或有关区域的先验知识进行训练。神经网络的计算瓶颈鼓励去噪网络将输入分成区域,在并行处理中去噪并结合结果。我们 - 数据同化的神经 Koopman 先验
使用大规模数据集、计算能力和神经网络架构,基于 Koopman 算子理论的神经网络架构在动力学系统的潜在空间中对数据进行线性描述,从而实现了长期连续重现,包括在时间序列不规则采样情况下。并展示了训练过的动力学模型作为新型数据同化技术的先验的 - 利用模块化神经网络编码季节气候预测进行需求预测
通过一种新颖的建模框架,我们可以有效地编码季节性气候预测,为供应链功能提供强大而可靠的时间序列预测。这种编码框架通过模块化神经网络架构实现了对潜在表示的有效学习,从而使得在多个实际数据集上,相对于现有需求预测方法,将季节性气候预测结果建模的 - 将字典融入神经网络结构从社交媒体中提取 COVID-19 医疗概念
将字典信息结合神经网络架构用于自然语言处理,从在线医学论坛中提取与 COVID-19 相关的多个概念,并通过监督模型在论坛数据上达到 90% 的宏观 F1 分数,研究表明将小领域字典用于深度学习模型可以改进概念提取任务。
- ICCVReFit: 三维人体恢复的循环拟合网络
ReFit 是一种用于单影像参数化 3D 人体重建的神经网络架构,通过优化的方式学习反馈更新循环,其在每个迭代步骤中使用循环式更新器调整模型以更好地适应图像,提高了标准基准测试的最新性能,并适用于其他优化设置,如多视图拟合和单视图形状拟合。
- SYENet:一款适用于移动设备的多个低级视觉任务的简单而有效的网络,具有实时性能
通过提出仅具有约 6K 参数的新型网络 SYENet,以应对移动设备上的多个低级别视觉任务,在实时方式下实现了最佳 PSNR,并在 Image Signal Processing(ISP),Low-Light Enhancement(LLE - 通过对称和逐因子不变函数的通用架构,神经逼近瓦瓦斯坦距离
本文提出了一种通用的神经网络架构来逼近对称函数,结合草图思想开发了一种能够逼近点集间 $p$-th Wasserstein 距离的特定和高效神经网络,经验结果表明该网络的性能明显优于其他模型,有望在解决各种几何优化问题中发挥作用。
- 多层级聚合作为基于特征的 OOD 检测关键
通过对大量的异常数据进行实验比较,我们发现基于特征的异常检测方法中,多层方法始终表现优异,而单层方法的性能不稳定且取决于异常类型,同时异常检测的性能也高度依赖于神经网络的架构。
- 利用并联混合网络预测发电厂的蒸汽质量流量
本研究利用一种并行混合神经网络架构,在工业环境中设计的,结合参数化量子电路和传统前馈神经网络的时间序列预测,以提高对未来 15 分钟的蒸汽质量流量预测。我们的结果表明,并行混合模型在训练后在测试集上的均方误差损失低于纯经典模型和纯量子模型的 - 期权定价的机器学习:对网络架构的实证研究
本文考虑了通过监督学习来学习期权价格或隐含波动率的问题,并发现在所选择的网络体系结构方面使用广义高速公路网络的精度比其它变体高,对于计算隐含波动率,采用变换后的 DGM 架构是最优的。
- 多项式宽度足够进行高维特征的集合表示
通过研究维度对 DeepSets 的表达能力的影响,本文提出了两种集合元素嵌入层,证明了维度为 poly (N,D) 足以实现集合表示,并给出了 LP 嵌入层的下界。此外,将研究结果扩展到排列等变的集合函数和复数场。