generative 第7页

与 Werner 和 Swami 一起走近生成式 AI

本文内容来源自亚马逊CTOWerner博士的博客，原文链接：https://www.allthingsdistributed.com/2023/04/an-introduction-to-generative-ai-with-swami-sivasubramanian.html

亚马逊云开发者·2023-04-16 01:02

【生成模型新方向】score-based generative models

这里写目录标题0、前言1、介绍2、Thescorefunction,score-basedmodels,andscorematching3、Langevindynamics朗之万动力学4、朴素的(Naive)score-based生成建模及其缺陷5、multiplenoiseperturbation后的score-based模型6、Score-basedgenerativemodelingwith

旋转的油纸伞·2023-04-15 23:03

文章阅读：Generating 3D TOF-MRA volumes and segmentation labels using generative adversarial networks

文章阅读：Generating3DTOF-MRAvolumesandsegmentationlabelsusinggenerativeadversarialnetworks，MedicalImageAnalysis2022模型架构网络结构混合精度训练数据集数据集选择Patch提取数据处理&输入生成标签二值化处理评估方式定性评估定量评估训练效果评估结论在本文中，研究者使用3DGAN网络用于生成3D医

Man in Himself·2023-04-15 07:35

【技术博客】GAN入门实践

Generative学习一个生成式模型；Adversarial使用对抗的方法训练；Networks使用神经网络。

MomodelAI·2023-04-14 08:53

GANs和Generative Adversarial Nets和Vox2Vox: 3D-GAN for Brain Tumour Segmentation

参考：各种生成模型：VAE、GAN、flow、DDPM、autoregressivemodelshttps://blog.csdn.net/zephyr_wang/article/details/126588478李沐GAN精度x.1生成模型家族DGMs（DeepGeneratitveModels）家族主要有：GAN（GenerativeAdversarialNetwork），VAE（Variat

樱木之·2023-04-11 13:29

机器学习：无监督学习之deep generative model

无监督学习费曼的思想：whaticannotcreate,idonotunderstand不知道怎么产生的话，是不能完全理解的。Create-ImageProcessingGenerativeModelsPixelRNN输入一个3x3的像素块，输出3x3的像素块。再把所有的加入继续送入网络输出，注意这里每次输出都是3x3的，最终得到9个图像块组合得到一个一张生成的大图。这种模型训练也非常简单，从大

uncle_ll·2023-04-11 13:21

AAAI-2022-NER-Unified Named Entity Recognition as Word-Word Relation Classification

毕竟generative的方式出来了，图的方式出来，表的还差。反思：在动手实操还有其他之前，一定要先把任务可能的形式想清楚，就比如，这种不连续实体，可能左不

QianTu&·2023-04-11 10:57

PyTorch随笔 - Glow: Generative Flow with Invertible 1×1 Convolutions

欢迎关注我的CSDN：https://spike.blog.csdn.net/本文地址：https://blog.csdn.net/caroline_wendy/article/details/129939225论文：Glow-GenerativeFlowwithInvertible1×1Convolutions作者Kingma，来源于OpenAI，2018.7.10最早的FlowPaper，承上

SpikeKing·2023-04-11 03:38

【基于分数的模型与扩散模型的区别与联系】score-based generative models总结

【基于分数的模型与扩散模型的区别与联系】score-basedgenerativemodels总结1、score-basedgenerativemodels一表格概览2、score-basedmodels与DDPM扩散模型的联系与区别3、score-basedgenerativemodels的挑战本篇博客介绍了基于分数的模型和扩散模型的联系与区别，并对基于分数的模型进行了总结和缺点分析。都给出了表

旋转的油纸伞·2023-04-10 17:04

生成式人工智能（Generative AI）入门指南

一位软件架构师的视角作为一名软件架构师，我有幸见证了人工智能（AI）的发展以及其在各个行业中的应用。近期获得动力的AI领域之一是生成式AI。在本篇博客中，我将深入探讨生成式AI的世界，提供定义，讨论其应用，探索背后的技术以及从这一开创性技术中受益的行业。什么是生成式AI？生成式AI是人工智能的一个子领域，专注于通过学习现有数据的模式创建新内容或生成解决方案。它是一种鼓励AI系统利用对数据结构的理解

小北的北·2023-04-10 16:27

单元测试优化的实践Generative Testing

首先为什么要写单元测试？“满足需求”是所有软件存在的必要条件，单元测试一定是为它服务的。从这一点出发，我们可以总结出写单元测试的两个动机：驱动（如：TDD）和验证功能实现。另外，软件需求“易变”的特征决定了修改代码成为必然，在这种情况下，单元测试能保护已有的功能不被破坏。基于以上两点共识，我们看看传统的单元测试有什么特征？基于用例的测试（ByExample）单元测试最常见的套路就是Given、Wh

爱码小士·2023-04-10 10:18

CVPR | Generative Semantic Segmentation

GenerativeSemanticSegmentation语雀文档:https://www.yuque.com/lart/papers/owdlpaueygk4bumy论文:http://arxiv.org/abs/2303.11316代码:https://github.com/fudan-zvg/GSS这是一篇基于生成方法构建的语义分割模型.通过精心设计的数据变换方案、条件分布近似策略,有效地

有为少年·2023-04-09 20:29

【论文精度（李沐老师）】Generative Adversarial Nets

Abstract我们提出了一个新的framework，通过一个对抗的过程来估计生成模型，其中会同时训练两个模型：生成模型G来获取整个数据的分布，辨别模型D来分辨数据是来自于训练样本还是生成模型G。生成模型G的任务是尽量的让辨别模型D犯错。这个framework对应一个博弈论中双人对抗游戏。在任何函数空间的G和D中，存在一个独一无二的解，这个解能够将你整个训练中的数据的真实分布找出，D在任何地方等于

我是小蔡呀～～～·2023-04-07 21:32

ICLR2021 用可逆生成流解耦全局和局部表示 Decoupling Global and Local Representations via Invertible Generative Flows

DecouplingGlobalandLocalRepresentationsviaInvertibleGenerativeFlows[PDF][GitHub]Figure1:Examplesoftheswitchoperation,whichswitchestheglobalrepresentationsoftwoimagesfromfourdatasets:(a)CIFAR-10,(b)Ima

Phoenixtree_DongZhao·2023-04-07 00:33

AttnGAN: Fine-Grained Text to Image Generation with Attentional Generative Adversarial Networks

《AttnGAN:Fine-GrainedTexttoImageGenerationwithAttentionalGenerativeAdversarialNetworks》是CVPR2018文本生成图像的文章，是StackGAN++的后续工作。Abstract在本文中作者提出了一个AttentionalGenerativeAd-versarialNetwork(AttnGAN),一种attent

EwanRenton·2023-04-06 20:21

GANs学习系列(8)：Deep Convolutional Generative Adversarial Nerworks，DCGAN

【前言】本文首先介绍生成式模型，然后着重梳理生成式模型（GenerativeModels）中生成对抗网络（GenerativeAdversarialNetwork）的研究与发展。作者按照GAN主干论文、GAN应用性论文、GAN相关论文分类整理了45篇近两年的论文，着重梳理了主干论文之间的联系与区别，揭示生成式对抗网络的研究脉络。本文涉及的论文有：GoodfellowIan,Pouget-Abadi

c2a2o2·2023-04-06 11:32

ROBUST LEARNING MEETS GENERATIVE MODELS: CAN PROXY DISTRIBUTIONS IMPROVE ADVERSARIAL ROBUSTNESS

我们首先试图正式理解从代理分布上训练的分类器到真实数据分布的鲁棒性转移。我们证明了两个分布上分类器的鲁棒性之间的差异是由它们之间的条件Wasserstein距离上界。接下来，我们使用代理分布来显著提高对抗性训练在五个不同数据集上的性能。我们进一步证明了不同的生成模型在鲁棒训练中带来了不同的性能改进。我们提出了一种稳健的判别方法来表征单个生成模型的影响，并进一步深入理解为什么当前基于扩散的生成模型的

你今天论文了吗·2023-04-06 03:31

X-GEAR:Multilingual Generative Language Models for Zero-Shot Cross-Lingual Event Argument Extraction

MultilingualGenerativeLanguageModelsforZero-ShotCross-LingualEventArgumentExtraction论文：https://arxiv.org/pdf/2203.08308.pdf代码：https://github.com/PlusLabNLP/X-Gear期刊/会议：ACL2022摘要我们提出了一项利用多语言预训练生成语言模型进行

Trouble..·2023-04-04 20:41

【Unsupervised Image-to-Image Translation with Generative Prior 生成性先验引导的无监督的图像转换 (GPUNIT) 】阅读笔记

滢滢码仔·2023-04-03 11:27

Conditional Molecular Design with Deep Generative Models

SeokhoKang，KyunghyunChoJournalofChemicalInformationandModeling2019IF=4.72简介给定分子x及其属性y，现今的分子设计模式主要有以下4种:a.传统的方法是建立一个预测模型来估计给定分子的性质。通过这个预测模型，筛选出一组可能的候选分子，然后选择具有期望性质的分子。b.这种方法将分子映射到潜在空间，再从这个空间中随机生成新的分子，这

酌泠·2023-03-28 02:10

论文笔记之GPT-GNN: Generative Pre-Training of Graph Neural Networks

GPT-GNN:GenerativePre-TrainingofGraphNeuralNetworks文中指出训练GNN需要大量和任务对应的标注数据，这在很多时候是难以获取的。一种有效的方式是，在无标签数据上通过自监督的方式预训练一个GNN，然后在下游任务上只需要少量的标注数据进行fine-tuning。本文提出了GPT-GNN通过生成式预训练的方式来初始化GNN。GPT-GNN引入了一个自监督的

小弦弦喵喵喵·2023-03-26 19:38

翻译：Closing the Loop for Robotic Grasping: A Real-time, Generative Grasp Synthesis Approach

毕设要求翻译一篇英文文献，挣扎了两天才把它翻完，po出来免得浪费啦～image.pngimage.pngimage.pngimage.pngimage.pngimage.pngimage.pngimage.pngimage.pngimage.pngimage.pngimage.pngimage.pngimage.pngimage.pngimage.pngimage.png参考文献就直接找论文吧

Flora_Fei·2023-03-26 05:09

Generative Adversarial Nets

论文：http://papers.nips.cc/paper/5423-generative-adversarial-nets.pdf问题生成模型的困难：最大似然估计涉及到的概率计算棘手、模型训练完成后

rzhangpku·2023-03-24 22:52

基于CLS的Deep Generative Replay模型

Shin,H.,Lee,J.K.,Kim,J.,&Kim,J.(2017).Continuallearningwithdeepgenerativereplay.InAdvancesinNeuralInformationProcessingSystems(pp.2990-2999).1简介为解决人工智能存在的灾难性遗忘问题，受灵长类动物大脑中短期记忆系统的生成特性的启发，研究提出了深层生成重放（De

金贝子·2023-03-18 13:50

论文笔记 Glow-TTS：A Generative Flow for Text-to-Speech via Monomic Alignment Search

Glow-TTS：AGenerativeFlowforText-to-SpeechviaMonomicAlignmentSearch---JaehyeonKim,SungwonKim,JungilKong,SungrohYoon论文地址：https://arxiv.org/abs/2005.11129相关代码（官方）：https://github.com/jaywalnut310/glow-tts

静夜寒风·2023-03-17 14:18

一文读懂对抗生成学习(Generative Adversarial Nets)[GAN]

Mang0_·2023-03-13 22:52

Constrained Generative Adversarial Learning for Dimensionality Reduction——基于约束生成式对抗学习的降维算法

ConstrainedGenerativeAdversarialLearningforDimensionalityReduction——基于约束生成式对抗学习的降维算法0摘要——提出了一种基于生成式对抗网络的降维算法，使用了11种先进降维方法进行比较研究1简介——本文提出方法的主要贡献（1）提出一种新的DR算法——约束对抗降维算法（CADR），该算法能够同时保持和改善原始特征空间的特性（2）提出亲

ZZX-研一小学僧·2023-03-09 07:39

Lecture 1_Extra Logistic Regression

判别模型v.s.生成模型（Discriminativev.s.Generative）有趣的例子判别方法

Yi_cAt·2023-02-27 18:41

2021-08-17-Ea-GANs Edge-Aware Generative Adversarial Networks for Cross Modality MR Image Synthes...

暂无公开代码这篇文章是做什么的：跨模态MR图像合成输入：单张图像是否需要数据配准：需要是基于2D还是3D:3D---文章的motivation---磁共振（MagneticresonanceMR）成像是可设置为在人体组织之间提供不同的对比度。通过设置不同的扫描参数，每种MR都反映了扫描的身体部位的独特视觉特征，每个模态显示独特的软组织对比度，有利于后续的多角度分析。为了利用多种成像方式的互补信息，

大虎甜面酱·2023-02-18 21:11

MelGAN: Generative Adversarial Networks for Conditional Waveform Synthesis笔记

文章目录简介网络细节生成器总体结构源码分析设计思路判别器总体结构源码分析损失函数实验结果论文地址：《MelGAN:GenerativeAdversarialNetworksforConditionalWaveformSynthesis》官方源码：github地址简介常见的TTS系统不是直接生成音频，而是中间先生成一种声学特征（多数为Mel频谱图），再由声学特征生成音频。MelGAN解决的就是声学特

Brielleqqqqqqjie·2023-02-17 00:39

论文笔记：Precomputed Real-Time Texture Synthesis with Markovian Generative Adversarial Networks

1.什么是deconvolution反向映射，用来可视化深度特征，也可以用来重建图片。2.合成图片两种方式：1）生成全图的模型，效果不错但只对小图work,保真度fidelty低，一般用autoencoder2）马尔科夫模型，同时生成texture。可以捕获局部patch的统计信息。本文是第二种3.主要通过stridedconvolutionalnetwork取代pooling来加速inversi

John2King·2023-02-17 00:08

05.SNGAN（Spectral Normalization for Generative Adversarial Networks）

参考链接SNGANintroducemethod频谱范数实现奇异值conclusionintroduce现在我们的目的，是要保证对于每一个位置的x，梯度的模都小于等于1。在神经网络中，将梯度的模限制在一个范围内，抽象地来说就是让产生的函数更平滑一些，最常见的做法便是正则化。SNGAN（频谱归一化GAN）为了让正则化产生更明确地限制，提出了用谱范数标准化神经网络的参数矩阵W，从而让神经网络的梯度被限

小葵向前冲·2023-02-16 21:02

[论文笔记] SPECTRAL NORMALIZATION FOR GENERATIVE ADVERSARIAL NETWORKS

简介：对normalization层进行改进，提出spectralnormalization（SN-GAN），以提高Discriminator的训练稳定度；优点：1、Lipschitz常数是唯一需要进行调节的超参；2、实现简单，额外的计算成本很低；一、背景原始（2014年）GAN公式，Ex～qdata[log⁡D(x)]+Ex′～pG[log⁡(1−D(x′))]E_{x～q_{data}}[\l

hellopipu·2023-02-16 21:44

Lecture 1_Extra Classification Probabilistic Generative Model

Lecture1_ExtraClassification:ProbabilisticGenerativeModel文章目录Classification:ProbabilisticGenerativeModel分类的概念Pokemon属性预测如何做分类训练数据ClassificationasRegression?理想模型一些简单的概率概率与分类的关系先验概率（Prior）高斯分布（Gaussiand

Yi_cAt·2023-02-07 08:48

《BioGPT: Generative Pre-trained Transformer for Biomedical Text Generation and Mining》 ---- 译文与PPT解释

BioGPT：用于生物医学文本生成和挖掘的生成式预训练器作者：微软研究院RenqianLuo原论文:《BioGPT:GenerativePre-trainedTransformerforBiomedicalTextGenerationandMining》文章目录BioGPT：用于生物医学文本生成和挖掘的生成式预训练器写在前面的话摘要引言相关工作预训练方法微调方法实验结论个人收获写在前面的话摘要引言

Gaolw1102·2023-02-07 08:46

Generation of 3D Brain MRI Using Auto-Encoding Generative Adversarial Networks论文解读

Generationof3DBrainMRIUsingAuto-EncodingGenerativeAdversarialNetworks摘要介绍方法模型结构损失函数训练流程本文出自MICCAI2019。摘要随着深度学习在医学图像分析任务中显示出前所未有的成功，缺乏足够的医学数据正成为一个关键问题。近年来，利用生成对抗网络（GAN）解决有限数据问题的尝试在生成具有多样性的真实图像方面取得了

风雪夜归人o·2023-02-06 18:46

2019-CVPR-Geometry-Consistent Generative Adversarial Networks for One-Sided Unsupervised Domain Mapp

单侧无监督域适应的几何一致生成对抗网络1.摘要：无监督域映射旨在学习一个函数翻译域X图像到域Y图像，在配对样本缺少的情况下。在没有配对数据情况下，发现最优的是一个病态的问题，因此获得合理的解需要适合的约束。尽管一些著名的（prominent）约束，例如循环一致性（cycleconsistency），距离保留（distancepreservation）成功地约束解空间，但是他们忽视了图像的特殊属性—

开心就哈哈·2023-02-06 18:45

13、Efficient Geometry-aware 3D Generative Adversarial Networks

简介仅使用单视图2D照片集合无监督生成高质量的多视图一致图像和3D形状一直是一项长期存在的挑战。现有的3DGAN要么是计算密集型的，要么是进行不3D一致的近似;前者限制了生成图像的质量和分辨率，后者会对多视图一致性和形状质量产生不利影响。在这项工作中，提高了3DGAN的计算效率和图像质量，而不会过度依赖这些近似值。为此，引入了一种富有表现力的混合显式-隐式网络架构，该架构与其他设计选择一起，不仅可

C--G·2023-02-06 18:13

【CVPR 2021】Joint Generative and Contrastive Learning for Unsupervised Person Re-identification

方法概述1，提出了一种用于无监督行人重识别的联合生成对比学习框架，生成和对比模块互相提高对方的性能。2，在生成模块中，我们引入了3D网格生成器。3，在对比模块，我们提出了一种视角无关的损失，来减少生成样本和原始样本之间的类内变化。文章目录方法概述内容概要工作概述成果概述方法详解方法框架具体实现实验结果总体评价引用格式参考文献内容概要论文名称简称会议/期刊出版年份baselinebackbone数据

_Summer tree·2023-02-05 23:03

2020 cs231n 作业3 笔记 Generative_Adversarial_Networks_PyTorch

GenerativeAdversarialNetworks论文地址：GenerativeAdversarialNetworks对抗生成网络（GAN）的主要结构包括一个生成器G（Generator）和一个判别器D（Discriminator）。判别器D的目标：对输入的图片正确进行判别为真图片还是假图片。生成器G的目标：生成假图片，但是能让判别器判断为真。所以一方面：要最大化生成器生成的图片被判别为真

cheetah023·2023-02-05 07:32

Generative Adversarial Networks 生成对抗网络 Matlab实现与讲解

GAN是一种特殊类型的多层前馈神经网络。整体上看，它就是一个多层前馈神经网络；分开来看，其包含生成器（Generator）与判别器（Discriminator）两个网络（多层前馈神经网络）。GAN属于生成模型，它的主要作用就是生成与训练数据相似的数据。GAN的核心思想：GAN之所以能够生成与训练数据相似的数据，是因为有生成器，生成器就是负责生成样本的。而判别器是负责判定生成器生成的数据质量高低与否

罗辑罗辑·2023-02-04 17:46

InfoGAN: Information Maximizing Generative Adversarial Nets论文阅读

[toc]1.InfoGAN:InterpretableRepresentationLearningbyInformationMaximizingGenerativeAdversarialNetsarXiv:1606.03657[cs.LG]tensorflow2代码：https://github.com/zhangkaihua88/ML_Paper1.1.摘要InfoGAN对生成对抗网络的信息理

山雾幻华·2023-02-03 11:02

Generative Adversarial Network Fittingfor High Fidelity 3D Face Reconstruction论文笔记

0、摘要总结了过去人脸重建的趋势（深度卷积的力量神经网络（DCNN）），和最近几年可微渲染器来学习面部身份特征与3D可变形模型的形状和纹理参数之间的关系。但这些都无法高质量的重建纹理和高保真度，介绍了论文利用生成对抗网络(GAN)和DCNNs来从单个图像重建面部纹理和形状。1、Introduction过去：主要的研究方向，利用深度卷积神经网络进行3D形状和纹理重建，包含的两种方法：1训练回归DCN

HR_Reborn·2023-02-02 17:56

判别式模型和生成式模型的区别（discriminative model and generative model）

判别式模型和生成式模型的区别（discriminativemodelandgenerativemodel）本博客转载自：http://blog.csdn.net/amblue/article/details/17023485在NLP和机器学习中经常会遇到这两种显著不同的模型，在学习阶段（训练阶段）和评估阶段（测试阶段）都有不同的表现总结一下它们之间的区别，欢迎补充：1.二者最本质的区别是建模对象不

Allenlzcoder·2023-01-31 09:52

MATLAB算法实战应用案例精讲-【数模应用】概率生成模型（Generative Model）（补充篇）

前言几个高频面试题目非概率模型和概率模型的区别非概率模型非概率模型指的是直接学习输入空间到输出空间的映射h，学习的过程中基本不涉及概率密度的估计，概率密度的积分等操作，问题的关键在于最优化问题的求解。通常，为了学习假设，我们会先根据一些先验知识(priorknowledge)来选择一个特定的假设空间H(函数空间)，例如一个由所有线性函数构成的空间，然后在这个空间中找出泛化误差最小的假设出来，其中是

林聪木·2023-01-31 09:21

GPT模型：Improving Language Understanding by Generative Pre-Training

https://blog.csdn.net/ACM_hades/article/details/88899307

椒椒。·2023-01-30 20:47

《Improving Language Understanding by Generative Pre-Training》论文笔记

引言GPT（GenerativePre-Training）受到《Semi-SupervisedSequenceLearning》与《UniversalLanguageModelFine-tuningforTextClassification》的启发，采用“预训练+Fine-tune”两阶段的方式，在不降低模型效果的基础上，以统一的模型结构处理不同的NLP任务，并有效地降低有监督学习对标注数据的依赖

凯子要面包·2023-01-30 20:47

GPT：Generative Pre-Training改善语言理解

1简介GPT：GenerativePre-Training。本文根据《ImprovingLanguageUnderstandingbyGenerativePre-Training》翻译总结。GPT：一种半监督方法，首先是非监督的预训练，然后进行监督训练微调。像LSTM结构的模型也使用预训练进行了提升，但是因为LSTM限制其预测能力。GPT采用的transformerdecoder结构。监督训练微调

AI强仔·2023-01-30 20:47

Improving Language Understandingby Generative Pre-Training

1摘要目前大多数深度学习方法依靠大量的人工标注信息，这限制了深度学习在很多领域的应用。此外，即使在可获得相当大的监督语料情况下，以无监督学习的方式学到的表示也可以让性能显著的提升。到目前为止，最引人注目的证据是广泛使用预训练词嵌入来提高一系列NLP任务的性能。GPT全称GenerativePre-Training，是一种半监督学习方法，它致力于用大量无标注数据让模型学习“常识”，以缓解标注信息不足

与光i·2023-01-30 20:17

[文献阅读]——Improving Language Understanding by Generative Pre-Training

Muasci·2023-01-30 20:17

推荐频道

generative