- 博客(4)
- 收藏
- 关注
原创 【论文笔记】Details or Artifacts: A Locally Discriminative Learning Approach toRealistic Image Super-Reso
目前超分想要优异的纹理信息,那GAN(生成对抗网络 generative adversarial networks)就是必经之路。但GAN的训练是不稳定的,加入了GAN会生成丰富的细节,同事也会产生伪纹理(Artifacts),artifacts直接影响人的视觉感受。·本文中,作者开发了一个框架来区分GAN生成的伪纹理和真实细节,从而生成artifacts map以规范和稳定模型训练过程。
2022-10-26 16:13:13 2441 1
原创 论文笔记:UA-MT
有标签数据和无标签数据都会输入到student和teacher model中,教师模型和学生模型的架构完全一致(神经网络层数之类的),学生模型利用lable data和预测值计算交叉熵L1,教师模型的预测值和学生模型的预测值计算一致性损失L2,最后L1+L2梯度下降更新学生模型的参数θ,教师模型的参数通过EMA的方式来更新。因此,认知不确定性测量的是训练过程本身所估计的模型参数的不确定性,这种不确定性是可以通过有针对性的调整(增加训练数据等方式)来缓解甚至是解决的。最终可以构成一个不确定性张量。
2022-10-14 21:20:19 1021 3
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人