神经网络
1、门控循环单元(GRU)
GRU的基本思想是不是每个观察都同等重要。基本结构如下。
2、长短期记忆网络(LSTM)
3、深度循环神经网络
4、生成对抗网络
生成对抗网络(GANs, generative adversarial networks)是由Ian Goodfellow等 人在2014年的Generative Adversarial Networks一文中提出。
模型通过框架中(至少)两个模块:生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。
原始 GAN 理论中,并不要求 G 和 D 都是神经网络,只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为 G 和 D 。
一个优秀的GAN应用需要有良好的训练方法,否则可能由于神经网络模型 的自由性而导致输出不理想。
生成对抗网络(GAN)的初始原理十分容易理解,即构造两个神经网络,一个生成器,一个鉴别器,二者互相竞争训练,最后达到一种平衡(纳什平衡)。 GAN 启发自博弈论中的二人零和博弈(two-player game),GAN 模型中的两位博弈方分别由生成式模型(generativemodel,G)和判别式模型(discriminative model,D)充当。
5、三维重构网络(NeRF)
NeRF(Neural Radiance Fields)最早在2020年ECCV会议上发表,作为Best Paper,其将隐式表达推上了一个新的高度,仅用 2D 的 posed images 作为监督,即可表示复杂的三维场景。NeRF迅速发展起来,被应用到多个技术方向上,例如新视点合成、三维重建等等,并取得非常好的效果。
NeRF其输入稀疏的多角度带pose的图像训练得到一个神经辐射场模型,根 据这个模型可以渲染出任意视角下的清晰的照片,也可以简要概括为用一 个MLP神经网络去隐式地学习一个三维场景。