0
| 本文作者： AI研習(xí)社 | 2020-03-05 16:01 |
Social-STGCNN：一種用于行人軌跡預(yù)測(cè)的社會(huì)時(shí)空?qǐng)D卷積神經(jīng)網(wǎng)絡(luò)
音頻驅(qū)動(dòng)的帶自然頭部姿態(tài)的說話人臉視頻生成
用自適應(yīng)實(shí)例歸一化將學(xué)習(xí)從合成噪聲轉(zhuǎn)移到真實(shí)噪聲去噪
CookGAN：食材圖像合成
通過幾何感知網(wǎng)絡(luò)學(xué)習(xí)光場(chǎng)角度超分辨率
論文名稱：Social-STGCNN: A Social Spatio-Temporal Graph Convolutional Neural Network for Human Trajectory Prediction
作者：Mohamed Abduallah /Qian Kun /Elhoseiny Mohamed /Claudel Christian
發(fā)表時(shí)間：2020/2/27
論文鏈接：https://paper.yanxishe.com/review/12827?from=leiphonecolumn_paperreview0305
推薦原因
這篇論文被CVPR 2020接收，考慮的是行人軌跡預(yù)測(cè)的問題。
行人軌跡不僅受行人本身影響，還與周圍物體的相互作用有關(guān)。這篇論文提出了社會(huì)時(shí)空?qǐng)D卷積神經(jīng)網(wǎng)絡(luò)（Social Spatio-Temporal Graph Convolutional Neural Network，Social-STGCNN），將行人與周圍物體的交互行為建模為圖模型，并通過一個(gè)核函數(shù)將行人之間的社交互動(dòng)嵌入鄰接矩陣中。實(shí)驗(yàn)結(jié)果表明，與先前方法相比，Social-STGCNN的最終位移誤差較現(xiàn)有技術(shù)提高了20％，參數(shù)減少了8.5倍，而推理速度提高了48倍。
論文名稱：Audio-driven Talking Face Video Generation with Natural Head Pose
作者：Ran Yi /Zipeng Ye /Juyong Zhang /Hujun Bao /Yong-Jin Liu
發(fā)表時(shí)間：2020/2/24
論文鏈接：https://paper.yanxishe.com/review/12316?from=leiphonecolumn_paperreview0305
推薦原因
現(xiàn)實(shí)世界中說話的人臉通常伴隨著自然的頭部運(yùn)動(dòng)，但大多數(shù)現(xiàn)有的說話人臉視頻生成方法僅考慮具有固定頭部姿勢(shì)的人臉動(dòng)畫。
本文通過提出一個(gè)深度神經(jīng)網(wǎng)絡(luò)模型來解決此問題，該模型將源人的音頻信號(hào)A和目標(biāo)人的非常短的視頻V作為輸入，并輸出合成的高質(zhì)量說話人臉視頻，其具有自然的頭部姿勢(shì)（利用V中的視覺信息），且表情和嘴唇同步（同時(shí)考慮A和V）。該項(xiàng)工作最大的挑戰(zhàn)是自然的頭部姿態(tài)包含平面內(nèi)外的頭部旋轉(zhuǎn)，為了解決這個(gè)問題，作者重建出3D人臉動(dòng)畫并將其重新渲染為視頻序列，為了平滑過渡這些視頻的背景圖使得結(jié)果更加逼真，作者提出了一個(gè)新穎的內(nèi)存增強(qiáng)的GAN模塊。
大量實(shí)驗(yàn)和用戶調(diào)研表明，文章方法可以生成高質(zhì)量（即自然的頭部運(yùn)動(dòng)，表情和嘴唇的同步）個(gè)性化的說話人臉視頻，表現(xiàn)優(yōu)于 state-of-the-art 的方法。
論文名稱：Transfer Learning from Synthetic to Real-Noise Denoising with Adaptive Instance Normalization
作者：Kim Yoonsik /Soh Jae Woong /Park Gu Yong /Cho Nam Ik
發(fā)表時(shí)間：2020/2/26
論文鏈接：https://paper.yanxishe.com/review/12691?from=leiphonecolumn_paperreview0305
推薦原因
這篇論文被CVPR接收，考慮的是真實(shí)噪聲的去噪問題。
這篇論文提出了一個(gè)廣義降噪結(jié)構(gòu)和遷移學(xué)習(xí)方案來應(yīng)對(duì)各種復(fù)雜的實(shí)際噪聲。這個(gè)方案采用自適應(yīng)實(shí)例規(guī)范化來構(gòu)建一個(gè)降噪器，可以正規(guī)化特征地圖，并且防止網(wǎng)絡(luò)過度擬合訓(xùn)練集。這篇論文還提出了一個(gè)遷移學(xué)習(xí)方法，可以將從合成噪聲數(shù)據(jù)中學(xué)習(xí)的知識(shí)遷移到真實(shí)噪聲領(lǐng)域。合成噪聲降噪器可以從各種合成噪聲數(shù)據(jù)學(xué)習(xí)一般特征，而真實(shí)噪聲降噪器可以從中學(xué)到真實(shí)數(shù)據(jù)的實(shí)時(shí)噪聲特性。新提出的去噪方法具有很強(qiáng)的泛化能力，在合成噪聲上訓(xùn)練的網(wǎng)絡(luò)能夠在Darmstadt Noise Dataset (DND)數(shù)據(jù)集上取得目前最好的性能結(jié)果。
論文名稱：CookGAN: Meal Image Synthesis from Ingredients
作者：Han Fangda /Guerrero Ricardo /Pavlovic Vladimir
發(fā)表時(shí)間：2020/2/25
論文鏈接：https://paper.yanxishe.com/review/12690?from=leiphonecolumn_paperreview0305
推薦原因
這篇論文發(fā)表于WACV 2020，通過食材列表合成逼真的食品圖像。
以往利用生成對(duì)抗網(wǎng)絡(luò)進(jìn)行圖像生成的工作主要集中在生成空間緊湊且定義明確的物品上，而食品圖像則更加復(fù)雜，包含了多種食材成分，其外觀和空間品質(zhì)通過不同的烹飪方式會(huì)進(jìn)一步變化。為了從配料中生成真實(shí)的食品圖像，這篇論文提出了CookGAN，該模型首先建立一個(gè)基于注意力的配料-圖像關(guān)聯(lián)模型，然后將其用于調(diào)節(jié)生成合成食品圖像的神經(jīng)網(wǎng)絡(luò)。此外，CookGAN添加了周期一致約束以進(jìn)一步改善圖像質(zhì)量并控制外觀。實(shí)驗(yàn)表明，CookGAN能生成與成分相對(duì)應(yīng)的食品圖像。
論文名稱：Learning Light Field Angular Super-Resolution via a Geometry-Aware Network
作者：Jin Jing /Hou Junhui /Yuan Hui /Kwong Sam
發(fā)表時(shí)間：2020/2/26
論文鏈接：https://paper.yanxishe.com/review/12689?from=leiphonecolumn_paperreview0305
推薦原因
這篇論文發(fā)表于AAAI 2020，考慮的是光場(chǎng)圖像超分辨率的問題。
目前有一些方法用以改善稀疏采樣光場(chǎng)的角分辨率，但這些方法主要關(guān)注基準(zhǔn)較小的光場(chǎng)，例如消費(fèi)型光場(chǎng)相機(jī)。這篇論文提出一種端到端的學(xué)習(xí)方法，旨在對(duì)具有較大基準(zhǔn)的稀疏采樣光場(chǎng)進(jìn)行角度超分辨率處理。新方法包括兩個(gè)可學(xué)習(xí)模塊和一個(gè)基于物理的模塊：用于顯式建模場(chǎng)景幾何的深度估計(jì)模塊，用于新視圖合成的基于物理的屈折模塊，以及專門設(shè)計(jì)用于光場(chǎng)重建的光場(chǎng)混合模塊。此外，新方法引入一種新?lián)p失函數(shù)來促進(jìn)光場(chǎng)視差結(jié)構(gòu)的保存。在包括大基準(zhǔn)光場(chǎng)圖像在內(nèi)的各種光場(chǎng)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，與當(dāng)前最佳技術(shù)相比，這篇論文所提的方法具有明顯優(yōu)勢(shì)，并且可以更好地保留光場(chǎng)視差結(jié)構(gòu)。
為了更好地服務(wù)廣大 AI 青年，AI 研習(xí)社正式推出全新「論文」版塊，希望以論文作為聚合 AI 學(xué)生青年的「興趣點(diǎn)」，通過論文整理推薦、點(diǎn)評(píng)解讀、代碼復(fù)現(xiàn)。致力成為國內(nèi)外前沿研究成果學(xué)習(xí)討論和發(fā)表的聚集地，也讓優(yōu)秀科研得到更為廣泛的傳播和認(rèn)可。
我們希望熱愛學(xué)術(shù)的你，可以加入我們的論文作者團(tuán)隊(duì)。
加入論文作者團(tuán)隊(duì)你可以獲得
1.署著你名字的文章，將你打造成最耀眼的學(xué)術(shù)明星
2.豐厚的稿酬
3.AI 名企內(nèi)推、大會(huì)門票福利、獨(dú)家周邊紀(jì)念品等等等。
加入論文作者團(tuán)隊(duì)你需要：
1.將你喜歡的論文推薦給廣大的研習(xí)社社友
2.撰寫論文解讀
如果你已經(jīng)準(zhǔn)備好加入 AI 研習(xí)社的論文兼職作者團(tuán)隊(duì)，可以添加運(yùn)營(yíng)小姐姐的微信（ID:julylihuaijiang），備注“論文兼職作者”
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
相關(guān)文章：
今日 Paper | 點(diǎn)云分類框架；多模式Transformer；神經(jīng)網(wǎng)絡(luò)；有序神經(jīng)元等
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
