2020年人工智能论文总结 论文总结( 二 )


目标是提出一种从单一的RGB图像进行三维人体姿态和网格估计的新技术 。他们称之为I2L-MeshNet 。I2L代表“图像到像素” 。正如体素、体积+像素是3D 空中的量化单元一样,它们在1D 空中将lixel、线和像素定义为量化单元 。他们的方法比之前的方法更好,代码公开!
导航图之外:连续环境中的视觉和语言导航[16]
语言导航是一个被广泛研究的领域,也是一个非常复杂的领域 。一个人走过一个房子,把你放在床头柜上的咖啡拿掉,这很简单 。但这是人工智能代理的另一个问题 。它是一个自主的人工智能驱动的系统,使用深度学习来执行任务 。
光流的递归全对场变换[17]
ECCV 2020最佳论文奖授予普林斯顿大学团队 。他们为光流开发了一种新的端到端可训练模型 。他们的方法在多个数据集上超越了最新架构的准确性,并且效率更高 。
全光函数的众数采样[18]
利用从网上获得的公共照片,他们可以重建旅游场景的多个视点,从而保留逼真的阴影和灯光!这是最先进的真实感场景渲染技术的一大进步,结果简直令人惊叹 。
通过深层潜空间翻译修复旧照片[19]
想象一下,你奶奶18岁的时候,她的老照片,折叠甚至撕烂的照片,都是天衣无缝,清清楚楚 。这就是所谓的老照片复原,而本文正是利用深度学习的方法来开辟解决这一问题的新途径 。
支持可审计自主的神经回路策略[20]
来自奥地利IST和麻省理工学院的研究人员成功地用一种新的人工智能系统训练了自动驾驶汽车,该系统基于小动物(如线虫)的大脑 。他们做到了这一点 。与流行的深度神经网络(如燃烧弹、雷斯网或VGG)所需的数百万个神经元相比,只有少数神经元能够控制自动驾驶汽车 。他们的网络只用75000个参数就可以完全控制汽车(19个控制神经元而不是数百万个参数)!
寿命年龄转换综合[21]
Adobe Research的一组研究人员开发了一种新的年龄转换合成技术,该技术仅基于此人的一张照片 。它可以从你发送的任何图片中生成不同年龄的图片 。
去头化[22]
DeOldify是一种对旧的黑白图像甚至电影画面进行着色和还原的技术 。它是由Jason Antic开发的,目前仍在更新中 。现在,这是最新的黑白图像着色技术,一切都是开源的,但我们稍后会再次讨论 。
视频-文本表示学习的合作层次转换器[23]
顾名思义,它使用Transformer将视频及其一般描述作为输入,为视频的每个序列生成准确的文本描述 。
风格化的神经绘画[24]
这种图像到绘画的翻译方法应该用一种新颖的方法来模拟各种风格的真实画家,而且这种方法不涉及任何GAN架构,不同于目前所有最新的方法!
实时人像抠图真的需要绿屏吗?[25]
面对灭绝是一个非常有趣的任务 。目标是找到图片中的任何人,并从中删除背景 。由于任务的复杂性,真的很难找到一个或多个轮廓完美的人 。在这篇文章中,我将回顾近年来使用的最佳技术,以及将于2020年11月29日发布的一种新方法 。许多技术都在使用基本的计算机视觉算法来完成这一任务,比如GrabCut算法,它速度很快,但不是很精确 。
ADA:用有限的数据训练生成性对抗网络[26]
有了NVIDIA开发的这种新的训练方法,你可以用十分之一的图像来训练强大的一代车型!让许多无法访问太多图像的应用成为可能!
在立方体球体上使用深度卷积神经网络改进数据驱动的全球天气预测[27]
目前,传统的天气预报方法采用我们所说的“数值天气预报”模式 。它利用大气和海洋的数学模型,根据当前的情况预测天气 。它最早是在20世纪20年代引入的,在50年代,它通过计算机模拟产生了逼真的结果 。这些数学模型可用于短期和长期预测 。然而,它的计算量太大,无法像深度神经网络那样基于大量数据进行预测 。这是它如此有希望的部分原因 。这些当前的数值天气预报模型已经使用机器学习作为后处理工具来改进预报 。天气预报越来越受到机器学习研究者的重视,并取得了良好的效果 。
神经:用于重新照明和视图合成的神经反射和可见度场[28]
这种新方法可以生成完整的三维场景,并具有确定场景光照的能力 。与以前的方法相比,所有这些方法的计算成本都非常有限,结果也非常惊人 。
如你所见,这是人工智能领域非常有见地的一年 。我很高兴看到2021年会发生什么!我一定会报道最精彩有趣的论文,
作者:路易斯·布沙尔
原地址https://github.com/louisfb01/BestAIpaper_2020

推荐阅读