- 深度隐式优化用于鲁棒和灵活的图像配准
采用深度学习在图像配准中,该方法结合优化与学习方法,在深度网络中使用优化图层来训练预测多尺度密集特征图像,在特征空间中保证了自学习特征的配准最小值和瓦普函数,并具有良好的性能和通用性。
- CVPR提升以主体为导向的图像合成技术:主体无关引导的优化
通过构建一个主题不可知条件并应用我们提出的双分类器自由指导,我们展示了我们的方法在生成与给定主题和输入文本提示一致的输出方面的有效性,并通过优化和编码方法验证了我们的方法的可行性,同时还展示了其在二阶定制方法中的适用性。
- 三维人体姿势估计的不确定性感知测试时间优化
我们提出了一种基于不确定性的测试时间优化(UAO)框架,该框架在培训期间设计了一个有效的 2D 到 3D 网络来估计相应的 3D 姿势,同时量化每个 3D 关节的不确定性,通过优化的潜在状态来减轻过度拟合问题,并使用投影损失确保在 2D 空 - OptFlow:无需监督的快速基于优化的场景流估计
OptFlow 是一种快速优化型场景流估计方法,不依赖学习或任何标注数据,可在流行的自动驾驶基准测试中实现场景流估计的最先进性能,同时提供最快的推理时间。
- 自适应图像配准:融合深度学习和优化函数的混合方法以提升精度
本研究旨在将学习方法和优化方法结合,使用学习方法的输出作为优化的初始参数,并根据图像对的损失进行计算,从而在保持相同推理时间和形变场平滑度仅降低 0.8% 的情况下,通过使用最佳性能的先进模型作为框架的骨干,在测试中获得了 0.3% 的改进 - 通过循环训练实现更好的医学图像配准
通过训练架构 Optron,将优化的深度学习模型与自动化训练过程相结合,用于医学图像配准,通过无监督训练的伪标签优化预测结果,提高模型性能和收敛速度,实现了在 IXI 数据集上的最新技术进展。
- ICCV三维感知神经体位拟合用于面部遮挡鲁棒的三维人体姿势估计
基于生成模型的 3D 人体姿势拟合(3DNBF)方法,在处理遮挡情况下具备最佳表现,通过训练使神经特征具备三维感知,克服了二维与三维之间的模糊性。
- 回归优化:基于扩散的零样例三维人体姿势估计
通过结合基于优化和基于学习的方法,我们提出了 Zero-shot Diffusion-based Optimization (ZeDO) 管线,用于解决跨领域和野外环境下的 3D 人体姿态估计问题,并在多种数据集上实现了最先进的性能。
- 数据异构对分布式线性系统求解器收敛速率的影响
比较基于投影和基于优化的方法在分布 / 联合求解大规模线性方程系统时的收敛速度,结果显示在现实情况下,加速投影协议是最有效的方法。
- 基于人工智能方法在各种计算范式上资源分配问题的最新综述
本研究综述了基于人工智能的各种优化分配方法,涵盖云计算、车辆雾计算、物联网、5G 网络、点对点网络、深度强化学习等各种计算环境,并介绍了基于深度学习的资源分配方法。
- CVPR用于快速高质量的艺术风格转换的拉普拉斯金字塔网络的草稿和修订
介绍了一种名为 LapStyle 的新型前馈方法,使用分层拉普拉斯金字塔网络来迁移全局风格模式并修正局部细节,同时添加了一个修补判别器以更好地学习局部模式,实验证明我们的方法能够以实时生成高质量的艺术风格图像。
- 用于三维形态建模与重建的深度优化先验
该研究提出了一种新的 3D 建模和重建学习框架,通过连接基于学习和基于优化的方法的优点并优化学习的先验和潜在编码,提高了深度生成器的广义性。实验结果显示,该方法在处理高度稀疏或坍塌的观测数据方面比现有方法都有优势。
- 用于神经风格转移的元网络
本文提出了一种基于元网络的方法,可以通过一次前向传播来获取指定网络参数,并探索应用于神经风格迁移。相对于每个样式的基于优化的方法,我们的元网络在一台现代 GPU 卡上能够在 $19ms$ 内处理任意新样式,并能生成一个只有 449KB 大小 - 医学图像分割中的先验知识:一项调查
本文综述了应用于不同分割框架中的不同类型的先验知识,重点介绍了将先验信息纳入其框架的基于优化的方法,并根据使用的先验知识类型对现有工作进行了分类。研究人员可以通过我们的互动在线数据库更新其研究领域。此外,我们还讨论了能量函数设计的不同方面、