1. 首頁 > 生活百科 > >

2020年人工智能論文總結 論文總結( 二 )

創業資源


目標是提出一種從單一的RGB圖像進行三維人體姿態和網格估計的新技術 。他們稱之為I2L-MeshNet 。I2L代表“圖像到像素” 。正如體素、體積+像素是3D 空中的量化單元一樣，它們在1D 空中將lixel、線和像素定義為量化單元 。他們的方法比之前的方法更好，代碼公開！
導航圖之外:連續環境中的視覺和語言導航[16]
語言導航是一個被廣泛研究的領域，也是一個非常復雜的領域 。一個人走過一個房子，把你放在床頭柜上的咖啡拿掉，這很簡單 。但這是人工智能代理的另一個問題 。它是一個自主的人工智能驅動的系統，使用深度學習來執行任務 。
光流的遞歸全對場變換[17]
ECCV 2020最佳論文獎授予普林斯頓大學團隊 。他們為光流開發了一種新的端到端可訓練模型 。他們的方法在多個數據集上超越了最新架構的準確性，并且效率更高 。
全光函數的眾數采樣[18]
利用從網上獲得的公共照片，他們可以重建旅游場景的多個視點，從而保留逼真的陰影和燈光！這是最先進的真實感場景渲染技術的一大進步，結果簡直令人驚嘆 。
通過深層潛空間翻譯修復舊照片[19]
想象一下，你奶奶18歲的時候，她的老照片，折疊甚至撕爛的照片，都是天衣無縫，清清楚楚 。這就是所謂的老照片復原，而本文正是利用深度學習的方法來開辟解決這一問題的新途徑 。
支持可審計自主的神經回路策略[20]
來自奧地利IST和麻省理工學院的研究人員成功地用一種新的人工智能系統訓練了自動駕駛汽車，該系統基于小動物(如線蟲)的大腦 。他們做到了這一點 。與流行的深度神經網絡(如燃燒彈、雷斯網或VGG)所需的數百萬個神經元相比，只有少數神經元能夠控制自動駕駛汽車 。他們的網絡只用75000個參數就可以完全控制汽車(19個控制神經元而不是數百萬個參數)！
壽命年齡轉換綜合[21]
Adobe Research的一組研究人員開發了一種新的年齡轉換合成技術，該技術僅基于此人的一張照片 。它可以從你發送的任何圖片中生成不同年齡的圖片 。
去頭化[22]
DeOldify是一種對舊的黑白圖像甚至電影畫面進行著色和還原的技術 。它是由Jason Antic開發的，目前仍在更新中 。現在，這是最新的黑白圖像著色技術，一切都是開源的，但我們稍后會再次討論 。
視頻-文本表示學習的合作層次轉換器[23]
顧名思義，它使用Transformer將視頻及其一般描述作為輸入，為視頻的每個序列生成準確的文本描述 。
風格化的神經繪畫[24]
這種圖像到繪畫的翻譯方法應該用一種新穎的方法來模擬各種風格的真實畫家，而且這種方法不涉及任何GAN架構，不同于目前所有最新的方法！
實時人像摳圖真的需要綠屏嗎？[25]
面對滅絕是一個非常有趣的任務 。目標是找到圖片中的任何人，并從中刪除背景 。由于任務的復雜性，真的很難找到一個或多個輪廓完美的人 。在這篇文章中，我將回顧近年來使用的最佳技術，以及將于2020年11月29日發布的一種新方法 。許多技術都在使用基本的計算機視覺算法來完成這一任務，比如GrabCut算法，它速度很快，但不是很精確 。
ADA:用有限的數據訓練生成性對抗網絡[26]
有了NVIDIA開發的這種新的訓練方法，你可以用十分之一的圖像來訓練強大的一代車型！讓許多無法訪問太多圖像的應用成為可能！
在立方體球體上使用深度卷積神經網絡改進數據驅動的全球天氣預測[27]
目前，傳統的天氣預報方法采用我們所說的“數值天氣預報”模式 。它利用大氣和海洋的數學模型，根據當前的情況預測天氣 。它最早是在20世紀20年代引入的，在50年代，它通過計算機模擬產生了逼真的結果 。這些數學模型可用于短期和長期預測 。然而，它的計算量太大，無法像深度神經網絡那樣基于大量數據進行預測 。這是它如此有希望的部分原因 。這些當前的數值天氣預報模型已經使用機器學習作為后處理工具來改進預報 。天氣預報越來越受到機器學習研究者的重視，并取得了良好的效果 。
神經:用于重新照明和視圖合成的神經反射和可見度場[28]
這種新方法可以生成完整的三維場景，并具有確定場景光照的能力 。與以前的方法相比，所有這些方法的計算成本都非常有限，結果也非常驚人 。
如你所見，這是人工智能領域非常有見地的一年 。我很高興看到2021年會發生什么！我一定會報道最精彩有趣的論文，
作者:路易斯·布沙爾
原地址https://github.com/louisfb01/BestAIpaper_2020

推薦閱讀