今日 Paper | 可視問答模型；神經(jīng)風格差異轉移；圖像壓縮系統(tǒng) ；K-SVD圖像去噪等

本文作者： AI研習社-譯站

2020-02-11 15:30

導語：目錄準確性與復雜性：可視問答模型中的一種權衡神經(jīng)風格差異轉移及其在字體生成中的應用基于GAN的可調(diào)整的圖像壓縮系統(tǒng)基于原始-對偶活動集算

今日 Paper | 可視問答模型；神經(jīng)風格差異轉移；圖像壓縮系統(tǒng) ；K-SVD圖像去噪等

準確性與復雜性：可視問答模型中的一種權衡

論文名稱：Accuracy vs. Complexity: A Trade-off in Visual Question Answering Models

作者：Farazi Moshiur R. /Khan Salman H. /Barnes Nick

發(fā)表時間：2020/1/20

論文鏈接：https://paper.yanxishe.com/review/9627?from=leiphonecolumn_paperreview0211

推薦原因

這篇論文考慮的是視覺問答的問題。

為了驗證AI的推理能力，視覺問答（Visual Question Answering，VQA）被用作一種視覺圖靈測試?，F(xiàn)有VQA模型的關鍵是將圖像的視覺特征與給定問題的語義特征相結合而學習到聯(lián)合嵌入。大量的研究聚焦于利用視覺注意力機制來設計復雜的聯(lián)合嵌入策略，以有效捕捉視覺與語義間的交互作用。但是，在高維空間構建視覺與語義特征計算量極大，模型越來越復雜，對VQA準確率帶來的提升卻很小。這篇論文系統(tǒng)地研究了模型復雜度和性能兩方面的折中策略，并且特別關注了這些模型在多模態(tài)融合方面的效果。通過實驗，這篇論文給出了如何優(yōu)化以降低復雜性和如何優(yōu)化以實現(xiàn)當前最佳VQA性能的提升這兩個方面的建議。

神經(jīng)風格差異轉移及其在字體生成中的應用

論文名稱：Neural Style Difference Transfer and Its Application to Font Generation

作者：Atarsaikhan Gantugs /Iwana Brian Kenji /Uchida Seiichi

發(fā)表時間：2020/1/21

論文鏈接：https://paper.yanxishe.com/review/9626?from=leiphonecolumn_paperreview0211

推薦原因

這篇論文了介紹一種自動創(chuàng)建字體的方法，找到兩種不同字體之間的字體樣式差異，并使用神經(jīng)樣式轉移將其轉換為另一種字體。這篇論文提出了一種新的神經(jīng)風格差異和內(nèi)容差異損失神經(jīng)風格轉移方法。根據(jù)這些損失，可通過在字體中添加或刪除字體樣式來生成新字體?；诟鞣N輸入字體組合的實驗結果，這篇論文還討論了所提方法的局限性和未來的工作。

基于GAN的可調(diào)整的圖像壓縮系統(tǒng)

論文名稱：A GAN-based Tunable Image Compression System

作者：Wu Lirong /Huang Kejie /Shen Haibin

發(fā)表時間：2020/1/18

論文鏈接：https://paper.yanxishe.com/review/9625?from=leiphonecolumn_paperreview0211

推薦原因

這篇論文考慮的是圖像壓縮的問題。

在基于深度神經(jīng)網(wǎng)絡的有損圖像壓縮中，重要性圖方法被廣泛應用，以根據(jù)圖像內(nèi)容的重要性來實現(xiàn)比特分配，然而這種方法容易出現(xiàn)嚴重失真。這篇論文提出使用生成對抗網(wǎng)絡重構非重要區(qū)域，將多尺度金字塔分解方法應用于編碼器和判別器，以實現(xiàn)高分辨率圖像的全局壓縮。同時這篇論文還提出了一種可調(diào)整的壓縮方案，將圖像壓縮為任何特定的壓縮率，而無需重新訓練模型。實驗結果表明，與最新的基于GAN的方法相比，這篇論文提出的方法在MS-SSIM數(shù)據(jù)集實現(xiàn)了10.3％以上的改進。

基于原始-對偶活動集算法的K-SVD圖像去噪

論文名稱：Image denoising via K-SVD with primal-dual active set algorithm

作者：Xiao Quan /Wen Canhong /Yan Zirui

發(fā)表時間：2020/1/19

論文鏈接：https://paper.yanxishe.com/review/9624?from=leiphonecolumn_paperreview0211

推薦原因

這篇論文改進了用于圖像去噪的K-SVD算法。在K-SVD的稀疏編碼步驟中，一旦噪音等級變高，尋找貪心近似解的效果就下降了。這篇論文提出了一種新的名為K-SVD_P的框架，加入了原始對偶有效集（Primal-Dual Active Set，PDAS）算法。K-SVD_P與基于貪心算法的K-SVD不同，發(fā)展出一套利用KKT條件的選擇策略，并在稀疏編碼階段產(chǎn)生有效的更新。由于K-SVD_P使用簡單的顯式表達式來迭代地尋找對偶問題的等效解決方案，可以在去噪的速度與質(zhì)量上取得更好的效果。論文中的實驗也驗證了K-SVD_P的降噪性能。