题目: PolyGen: An Autoregressive Generative Model of 3D Meshes

摘要:

多边形网格是三维几何的一种有效表现形式,在计算机图形学、机器人技术和游戏开发中具有重要意义。现有的基于学习的方法避免了使用3D网格的挑战,而是使用与神经结构和训练方法更兼容的替代对象表示。提出了一种直接对网格建模的方法,利用基于变换的结构对网格顶点和面进行顺序预测。我们的模型可以对一系列输入进行条件设置,包括类对象、体素和图像,因为模型是概率性的,所以它可以生成在模糊场景中捕获不确定性的样本。我们证明了该模型能够产生高质量、可用的网格,并为网格建模任务建立了对数似然基准。我们还根据不同的方法评估了表面重建的条件模型,并在没有直接训练的情况下展示了竞争性的表现。

成为VIP会员查看完整内容
0
22

相关内容

计算机图形学(Computer Graphics,简称CG)是一种使用数学算法将二维或三维图形转化为计算机显示器的栅格形式的科学。简单地说,计算机图形学的主要研究内容就是研究如何在计算机中表示图形、以及利用计算机进行图形的计算、处理和显示的相关原理与算法。

主题: Locally Masked Convolution for Autoregressive Models

摘要: 高维生成模型具有许多应用程序,包括图像压缩,多媒体生成,异常检测和数据完成。自然图像的最新估算器是自回归的,可将像素上的联合分布分解为由深度神经网络(例如,神经网络)参数化的条件乘积。卷积神经网络,例如PixelCNN。但是,PixelCNN仅对关节的单个分解建模,并且只有单个生成顺序是有效的。对于诸如图像完成的任务,这些模型无法使用很多观察到的上下文。为了以任意顺序生成数据,我们引入了LMConv:对标准2D卷积的简单修改,允许将任意蒙版应用于图像中每个位置的权重。使用LMConv,我们可以学习分布估计器的集合,这些估计器共享参数但生成顺序有所不同,从而提高了全图像密度估计的性能(无条件CIFAR10为2.89 bpd),以及全局一致的图像完成度。

成为VIP会员查看完整内容
0
14

题目: Causal Relational Learning

摘要:

因果推理是自然科学和社会科学实证研究的核心,对科学发现和知情决策至关重要。因果推理的黄金标准是进行随机对照试验;不幸的是,由于伦理、法律或成本的限制,这些方法并不总是可行的。作为一种替代方法,从观察数据中进行因果推断的方法已经在统计研究和社会科学中得到发展。然而,现有的方法严重依赖于限制性的假设,例如由同质元素组成的研究总体,这些同质元素可以在一个单平表中表示,其中每一行都被称为一个单元。相反,在许多实际环境中,研究领域自然地由具有复杂关系结构的异构元素组成,其中数据自然地表示为多个相关表。在本文中,从关系数据中提出了一个正式的因果推理框架。我们提出了一种称为CaRL的声明性语言,用于捕获因果背景知识和假设,并使用简单的Datalog类规则指定因果查询。CaRL为在关系领域中推断复杂干预的影响的因果关系和推理提供了基础。我们对真实的关系数据进行了广泛的实验评估,以说明CaRL理论在社会科学和医疗保健领域的适用性。

成为VIP会员查看完整内容
0
118

真实的颜色纹理生成是RGB-D表面重建的一个重要步骤,但由于重建几何形状的不准确性、相机姿态的不正确以及与视图相关的成像伪影,在实践中仍然具有挑战性。在这项工作中,我们提出了一种利用从弱监督视图中获得的条件对抗损失来生成颜色纹理的新方法。具体地说,我们提出了一种方法,通过学习一个目标函数来生成近似表面的真实感纹理,即使是在未对齐的图像中。我们的方法的关键思想是学习一个基于补丁的条件鉴别器,它可以引导纹理优化对不匹配的容忍度。我们的鉴别器采用一个合成的视图和一个真实的图像,并在一个广义的真实感定义下评估合成的图像是否真实。我们通过提供输入视图的“真实”示例对及其未对齐的版本来训练鉴别器,这样学习到的竞争损失将能够容忍扫描的错误。在定量或定性评价下对合成和真实数据进行的实验表明,我们的方法与现有方法相比具有优势。我们的代码是公开的视频演示。

成为VIP会员查看完整内容
0
10

题目: The Synthesizability of Molecules Proposed by Generative Models

摘要: 功能性分子的挖掘是一个昂贵而耗时的过程,小分子治疗性挖掘的成本不断上升就是一个例证。新分子生成和优化是一类在早期药物发现中日益受到关注的技术,它是由新的深度学习方法的发展所催化的。1 .这些技术可以提出新的分子结构,目的是最大化多目标功能,例如,对特定目标的治疗适应性;2 .不依赖于对化学空间的强力探索。然而,这些方法的实用性由于忽视了可综合性而受到阻碍。为了强调这个问题的严重性,我们使用一个数据驱动的计算机辅助合成计划程序来量化由最先进的生成模型提出的分子不容易合成的频率。我们的分析表明,尽管这些模型在流行的定量基准上表现良好,但在一些任务中,这些模型产生了不现实的分子结构。合成复杂性启发法可以成功地使生成偏向于可合成处理的化学空间,尽管这样做必然会偏离最初的目标。分析表明,为了提高这些模型在实际挖掘工作流中的实用性,有必要开发新的算法。

成为VIP会员查看完整内容
0
22

题目: Understanding Knowledge Distillation in Non-autoregressive Machine Translation

摘要: 非自回归机器翻译(NAT)系统并行地预测输出标记序列,与自回归模型相比,在生成速度上获得了实质性的改进。现有的NAT模型通常依赖于知识蒸馏技术,该技术从一个预先训练好的自回归模型中创建训练数据,以获得更好的性能。知识蒸馏在经验上是有用的,它使NAT模型的准确性得到了很大的提高,但是这种成功的原因到目前为止还不清楚。在这篇论文中,我们首先设计了系统的实验来研究为什么知识蒸馏对于NAT训练是至关重要的。我们发现,知识蒸馏可以降低数据集的复杂性,并帮助NAT对输出数据的变化进行建模。此外,在NAT模型的容量和为获得最佳翻译质量而提取的数据的最优复杂度之间存在很强的相关性。基于这些发现,我们进一步提出了几种可以改变数据集复杂性的方法,以提高NAT模型的性能。我们为基于nat的模型实现了最先进的性能,并缩小了与WMT14 En-De基准上的自回归基线的差距。

成为VIP会员查看完整内容
0
6
小贴士
相关VIP内容
专知会员服务
118+阅读 · 2020年4月21日
相关资讯
已删除
将门创投
8+阅读 · 2019年6月13日
已删除
将门创投
5+阅读 · 2019年4月15日
相关论文
Zhilin Yang,Zihang Dai,Yiming Yang,Jaime Carbonell,Ruslan Salakhutdinov,Quoc V. Le
13+阅读 · 2019年6月19日
Jiatao Gu,Qi Liu,Kyunghyun Cho
5+阅读 · 2019年2月28日
Zhiming Zhou,Jiadong Liang,Yuxuan Song,Lantao Yu,Hongwei Wang,Weinan Zhang,Yong Yu,Zhihua Zhang
8+阅读 · 2019年2月15日
Ayush Jaiswal,Wael AbdAlmageed,Yue Wu,Premkumar Natarajan
3+阅读 · 2018年9月25日
ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks
Xintao Wang,Ke Yu,Shixiang Wu,Jinjin Gu,Yihao Liu,Chao Dong,Chen Change Loy,Yu Qiao,Xiaoou Tang
5+阅读 · 2018年9月17日
Learning to Generate and Reconstruct 3D Meshes with only 2D Supervision
Paul Henderson,Vittorio Ferrari
4+阅读 · 2018年7月24日
Han Zhang,Ian Goodfellow,Dimitris Metaxas,Augustus Odena
6+阅读 · 2018年5月21日
Chen Chen,Shuai Mu,Wanpeng Xiao,Zexiong Ye,Liesi Wu,Fuming Ma,Qi Ju
7+阅读 · 2018年5月18日
Honggang Zhou,Yunchun Li,Hailong Yang,Wei Li,Jie Jia
3+阅读 · 2018年4月26日
Top