<mark id="oztn4"></mark>
0
| 本文作者： AI研習社 | 2020-03-19 14:50 |
IGNOR: 基于深度學習的圖像引導的物體渲染
基于域驗證的圖像和諧化
人體姿態估計中的無偏數據處理方法的研究
面部X射線，可進行更一般的面部偽造檢測
即插即用(Plug and Play)的受限文本生成方法
論文名稱：IGNOR: Image-guided Neural Object Rendering
作者：Thies Justus /Zollh?fer Michael /Theobalt Christian /Stamminger Marc /Nie?ner Matthias
發表時間：2018/11/26
論文鏈接：https://paper.yanxishe.com/review/13549?from=leiphonecolumn_paperreview0319
推薦原因
本文被ICLR 2020接收！文章提出了一種基于學習的圖像引導的渲染技術，該技術將基于圖像的渲染和基于GAN的圖像合成相結合，可以生成重建對象的高真實感渲染結果。
文章技術的核心是如何處理視角相關的視覺效果，為了解決這個問題作者首先訓練了一個基于特定對象的深度神經網絡來合成目標對象與視角無關的外觀。為了處理視角相關的效果，如物體表面的高光等，作者剔除了EffectsNet來進一步預測與視角相關的效果。作者在合成和真實數據上定性和定量的證明了文章方法的有效性。
論文名稱：Deep Image Harmonization via Domain Verification
作者：Wenyan Cong
發表時間：2020/1/1
論文鏈接：https://paper.yanxishe.com/review/13544?from=leiphonecolumn_paperreview0319
推薦原因
研究意義：
圖像合成是圖像處理中的重要操作，但是從背景或者其他圖片轉移顏色信息到前景上會嚴重降低合成圖像的質量。目前沒有用于圖像協調的高質量公共可用數據集極大地阻礙了圖像協調的發展技術。近年來，已經有少量的工作嘗試用深度學習做圖像和諧化，但成對的合成圖和真實圖極難獲得。我們通過基于COCO合成的圖像（分別是Adobe5k，Flickr，day2night）來貢獻圖像協調數據集，通過深度學習的訓練生成監督信息，從而解決目前遇到的弊端。
創新點：
1、構建并公布了由四個子數據庫組成的圖像和諧化數據庫。
2、提出了域驗證 (domain verification) 的概念，嘗試了基于域驗證的圖像和諧化算法。
論文名稱：The Devil is in the Details: Delving into Unbiased Data Processing for Human Pose Estimation
作者：Junjie Huang
發表時間：2019/12/1
論文鏈接：https://paper.yanxishe.com/review/13543?from=leiphonecolumn_paperreview0319
推薦原因
本文研究意義：
目前，對于人體姿勢預測的研究主要局限于自上而下的方法。然而，對于訓練和預測的基本組成部分，尚未在姿勢預測中考慮數據的處理。基于此，本文以此為出發點，提出了有偏數據的處理在研究自上而下的姿態估計器中的作用。
本文的創新點：
1、UDP，解決了現有的SOTA人體姿態估計算法中標準編解碼方法存在較大統計誤差的問題。
2、該算法解決了由于翻轉測試而導致的結果不對齊問題。
3、該算法即用即插，在基本不增加模型復雜度的情況下，有效提升了算法性能。
論文名稱：Face X-ray for More General Face Forgery Detection
作者：Lingzhi Li1
發表時間：2019/12/1
論文鏈接：https://paper.yanxishe.com/review/13542?from=leiphonecolumn_paperreview0319
推薦原因
本文研究意義：
這篇文章是微軟亞洲研究院的研究paper。在本文中，作者提出了一個方法---面部X射線，它既不需要了解換臉后的圖像數據，也不需要知道換臉算法，就能對圖像做『X-Ray』，鑒別出是否換臉，以及指出換臉的邊界。
本文的創新點：
作者提出的新模型 Face X-Ray 具有兩大屬性：能泛化到未知換臉算法、能提供可解釋的換臉邊界。要獲得這樣的優良屬性，訣竅就藏在換臉算法的一般過程中。在當下工業界中，盛行的大多數換臉算法一般可以分為檢測、修改以及融合三部分。而本文標新立異之處在于，該新模型Face X-Ray是通過檢測第三階段產生的誤差來進行實驗的。
論文名稱：PLUG AND PLAY LANGUAGE MODELS: A SIMPLE APPROACH TO CONTROLLED TEXT GENERATION
作者：Sumanth Dathathri
發表時間：2019/12/1
論文鏈接：https://paper.yanxishe.com/review/13541?from=leiphonecolumn_paperreview0319
推薦原因
本文研究意義：
作者在普通語言模型的基礎上提出了一個用于建模生成句子中的不同屬性的屬性模型，該模型可以實現多種屬性上的受限文本生成。此外，作者提出的新方法PPLM，是不需要改變原有語言模型的結構，只需要讓兩個模型同時訓練，就可以實現屬性控制效果的顯著提升。
創新點：
1、提出了一種即插即用的受限文本生成方法--PPLM。
2、PPLM不需要改變語言模型的結構，只需要讓這兩個模型同時訓練即可。
雷鋒網雷鋒網雷鋒網
相關文章：
今日 Paper | CausalML；隱式函數；慢動作視頻重建；交叉圖卷積網絡等
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
