Избранные статьи/новости на этой неделе
- Предложен 3D-преобразователь, который можно непосредственно применять к молекулярным структурам. Веса внимания можно регулировать в соответствии с межатомными расстояниями, и вычислительная сложность не кажется такой уж высокой.
— — — — — — — — — — — — — — — — — — –
В следующих разделах я представлю различные статьи и документы не только по вышеуказанному содержанию, но и по следующим пяти темам.
- Избранные статьи/новости на этой неделе
- Пример использования машинного обучения
- Документы
- Статьи, связанные с технологией машинного обучения
— — — — — — — — — — — — — — — — — — –
1. Избранные статьи/новости на этой неделе
Модель трансформера, применимая к трехмерным молекулярным структурам — arxiv.org
[2110.01191] 3D-Transformer: Молекулярное представление с Transformer в 3D-пространстве
Они предложили 3D-Transformer, который представляет собой модель-трансформер, применимую к трехмерным структурам молекул. Поскольку молекулы имеют разное межатомное расстояние в зависимости от природы атомов-мишеней, они предложили многомасштабное самовнимание, которое регулирует применение внимания в соответствии с расстоянием, и AFPS, которое снижает выборку в соответствии с оценкой внимания. Он показал хорошую производительность на наборах квантово-химических молекулярных данных.
— — — — — — — — — — — — — — — — — — –
2. Пример использования машинного обучения
NVIDIA выпустила GauGAN2, который умеет генерировать изображения из текста
NVIDIA выпустила GauGAN2, который может генерировать изображения из текста. Вы можете ввести текст, и он будет генерировать изображение соответственно. Вы можете попробовать его на демо-странице (http://gaugan.org/gaugan2/).
— — — — — — — — — — — — — — — — — — –
3. Документы по машинному обучению
Инверсия GAN добавляет смысл скрытому пространству — arxiv.org
[2004.00049] In-Domain GAN Inversion for Real Image Editing
В задаче получения скрытых переменных из изображения с использованием предварительно обученной GAN это исследование не только находит скрытые переменные для восстановления изображения, но также делает полученные скрытое пространство имеет смысл. В дополнение к использованию кодировщика для сопоставления изображения со скрытым пространством, как в обычных методах, они также используют дискриминатор и применяют регуляризацию, чтобы признаки, полученные VGG, не менялись. Можно изменить семантическую область, отрегулировав скрытое пространство.
Использование иерархических кодировщиков в инверсии GAN — arxiv.org
[2104.07661] Простая базовая линия для инверсии StyleGAN
Предлагает метод использования иерархических кодировщиков в инверсии GAN для вывода встроенного представления предварительно обученного StyleGAN для изображения. Это многоэтапный метод обучения, который постепенно предсказывает остатки скрытого кода посредством нескольких проходов кодировщика. Предлагаемый метод значительно превосходит существующие методы прямого анализа.
Предложил алгоритм встраивания для StyleGAN и исследовал качество его представления встраивания — arxiv.org
[1904.03189] Image2StyleGAN: как встраивать изображения в скрытое пространство StyleGAN?
Исследование, в котором предлагается алгоритм встраивания для StyleGAN и исследуется качество его представления встраивания. Изображение встраивается путем минимизации MSE и потерь восприятия. Они подтвердили, что это встраивание можно использовать для морфинга и переноса стиля.
— — — — — — — — — — — — — — — — — — –
4. Технические статьи
Пояснительная статья по диффузионной модели
Пояснительная статья по диффузионной модели. В статье объясняется основная концепция диффузионной модели с большим количеством иллюстраций. Математических уравнений много, но объяснение очень подробное и понятное.
— — — — — — — — — — — — — — — — — — –
Другие блоги
— — — — — — — — — — — — — — — — — — –
Обо мне
Инженер-технолог/Инженер по машинному обучению/Ученый по данным/Магистр физики/ http://github.com/AkiraTOSEI/
Твиттер, я публикую бумажный комментарий из одного предложения.
