| 020-04-02 10時58分 |
リード：より良い私たちの青春AI機能するためには、AI Yanxisheは正式に新しい「論文」のセクションを開始しました。
ディレクトリ
移行協力蒸留の超解像の共通スタイルに
攻撃に守備に学習することにより、
顔の時間とアンチスプーフィングの空間勾配深度の深さ研究のために
ラベルなしデータの汎化顔表現
3D-CariGAN：端から端溶液に3次元顔写真漫画を生成する方法
移行協力蒸留の超解像の共通スタイルに
論文タイトル：超解像度ユニバーサルスタイルの転送のための協調蒸留
著者：王フアン/李Yijun /王Yuehai /胡Haoji /陽明-萱
公開日：2020年3月18日
論文リンク：https://paper.yanxishe.com/review/14775?from=leiphonecolumn_paperreview0402
推奨理由
本論文では、CVPR 2020を受信すると、移行スタイルの問題を扱っています。
一般的なスタイルは、多くの場合、事前に訓練されている大量の画像のコンボリューションニューラルネットワークモデルの表現の豊かな深さからの移行アプローチを使用しますが、限られたメモリで、超解像画像を扱うときに厳しく、大きなモデルサイズに制限されます。フィルタの神経移行モデルデコーダアーキテクチャスタイル - 本稿では、エンコーダベースを減少させるための協調知識蒸留蒸留と呼ばれる新しい方法を提案します。協力蒸留プロセスの特徴サイズの問題を克服するために、駆動されるリニア損失特性教師学生の学習ネットワークを埋め込む埋め込むリニア導入する新しい方法と一致していません。多数の実験は、圧縮モードでの超解像移行の一般的なスタイルGPU 12ギガバイトの40個の以上の万画素の新しい方法が一般的な移行方法の異なるスタイルに適していることを示し、そして初めて。
攻撃に守備に学習することにより、
论文名称：攻撃に学習することで防衛に学びます
著者：江Haoming /陳Zhehui /市漁陽/大ボー/趙佗
公開日：2018年11月3日
論文リンク：https://paper.yanxishe.com/review/14774?from=leiphonecolumn_paperreview0402
推奨理由
この記事では、実験結果から、堅牢を訓練するために戦闘訓練の枠組みを使用して、提案手法は非常にSOLID、および缶で提案されたモデルのテキストで、より興味深い論文の分野に対する内部攻撃と防御でありますKangzhuほとんどの攻撃。同時に、他の戦闘訓練方法に対して本明細書で使用するためのトレーニング方法は、比較的効率的です。
顔の時間とアンチスプーフィングの空間勾配深度の深さ研究のために
论文名称：フェイスアンチスプーフィングのための学習ディープ空間勾配および時間的深さ
著者：王Zezheng /ゆうZitong /趙Chenxu /朱Xiangyu /秦Yunxiao /周Qiusheng /周鳳/レイジェン
公開日：2020年3月18日
論文リンク：https://paper.yanxishe.com/review/14771?from=leiphonecolumn_paperreview0402
推奨理由
本論文では、人間の顔不正防止の問題を、CVPR 2020を受けたと考えられています。
きめ細かいディテールと奥行き情報との間の相互作用、ならびに顔の動きパターンを無視して問題は、単一のフレームをマルチタスキングされるように、単に、損失の深さを増加させることによって、以前の研究では、この問題を発現します。空間 - 時間符号化および有効伝搬モジュール時空間伝播モジュールからのキャプチャの詳細を判別グラジエントブロック（残余空間勾配ブロック、RSGB）によって、この紙プレゼントマルチからの攻撃を検出するための新規な方法、残余空間を、STPM ）空間的及び時間的情報。また、この論文は、教師付き学習のより正確な深さの損失に新しい「深いコントラストを提案している。この方法の有効性を評価するために、紙は（ダブルモーダルアンチデュアルモードアンチスプーフィングのデータセットを収集しますデータセット、DMAD）をスプーフィング、各サンプルの実際の奥行きデータセットを提供する。実験結果は、新しい方法オウル-NPU、SIW、CASIA-MFSD、リプレイ・アタックおよび5つの新しい基準データセットで提案されていることを示しているDMAD現在の最高レベルを満たしています。
ラベルなしデータの汎化顔表現
論文タイトル：ラベルなしデータと一般化フェイス表現
作者：Shi Yichun /Jain Anil K.
公開日：2020年3月17日
論文リンク：https://paper.yanxishe.com/review/14770?from=leiphonecolumn_paperreview0402
推奨理由
より多くの大規模なデータセットは、問題の研究を推進し、顔認識をマークしたが、これらのデータセットは、通常、限られた範囲の顔の変化の種類が含まれている、より現実的なシナリオを促進することは困難です。プライバシーと現実的ではないに人件費の人間の顔の画像アノテーション大きな変動を持つコレクション。これとは対照的に、顔の異なる領域から多くの人々がより容易に達成され得る標識されていません。したがって、方法を学習マークの付いていない顔の表現を用いた顔画像を一般化することができる。この論文のプレゼントは、学習データのみの少量を持っていることは、十分な多様性をマークされていない、認識性能の新しい方法は、かなり入手することができます増加。最も高度な顔認識方法に比べて、さらに新しい方法はIJB-B、IJB-CとIJB-Sのような基準に挑戦中のパフォーマンスを向上させます。
3D-CariGAN：端から端溶液に3次元顔写真漫画を生成する方法
论文名称：3D-CariGAN：アンエンドツーエンドの顔写真から3D似顔絵生成へのソリューション
著者：イェZipeng /李蘭/ゆうMinjing /張Juyong /ライゆうくん/劉・ヨンジン
公開日：2020年3月15日
論文リンク：https://paper.yanxishe.com/review/14659?from=leiphonecolumn_paperreview0402
推奨理由
本論文では、プレゼントニューラルネットワークモデルの奥がmugshot入力として、高品質な3D似顔絵を簡単に生成します。ソースドメインの顔写真（2D通常の顔を特徴としている）と3D漫画対象ドメインにおけるこの問題の嘘への挑戦（3次元で顔の形状およびテクスチャを誇張特徴付けられる）が大きく異なります。本論文では、最初の大規模なデータセットが6100 3D漫画のグリッドが含ま確立、および3D漫画の形状の空間にPCAモデルを確立するために、このデータセットを使用し、その後、入力画像の顔にランドマークを検出し、ビルドにそれを使用します2Dおよび3D漫画漫画形状間の対応関係。本論文では、出力を制御するためのインタラクティブなコントロールを使用して簡単にユーザーに提供します。実験およびユーザーの研究では、高品質な3D漫画を生成することができ、新しい方法は、使いやすいことを示しています。
