Tambahkan kesan khas pada video dalam satu ayat peta otak serangga yang paling lengkap setakat ini

目录：

1. Komposer: Sintesis Imej Kreatif dan Boleh Kawal dengan Keadaan Boleh Gubah
2. Sintesis Video Berpandukan Struktur dan Kandungan dengan Model Resapan
3. Sambungan otak serangga
4. Dinamik yang didorong oleh ketidakpastian untuk pembelajaran aktif potensi interatomik
5. Sintesis gabungan untuk penemuan bahan yang dipacu AI
6. Imej Bertopeng Adalah Sampel Kontrafaktual untuk Halus Teguh -tala
7. Satu Transformer Sesuai dengan Semua Taburan dalam Resapan Pelbagai Modal pada Skala 
8. Stesen Radio Mingguan ArXiv：NLP、CV、ML 更多精选论文（附音频）

论文 1：Komposer: Sintesis Imej Kreatif dan Boleh Kawal dengan Keadaan Boleh Gubah

• 作者：Lianghua Huang 等
• 论文地址：https://arxiv.org/pdf/2302.09778v2.pdf >

摘要：

在 AI 绘画领域，很多研究者都在致力于掐力于掐秋，即让模型生成的图像更加符合人类要求。前段时间，一个名为 ControlNet 的模型将这种可控性推上了新的。一个名华间，来自阿里巴巴和蚂蚁集团的研究者也在同一领域做出了成果，本文是这一成果的详细介绍。

推荐>：AI国产开源 50 亿参数新模型，合成可控性、质量实现飞跃。

2 Model gabungan

作者：Patrick Esser 等

• 论文地址：https://arxiv.org/ doc是在经历了 2022 Resapan Stabil自己的艺术想象……
• 相比于图像编辑，视频编辑是一个更具有挑战性的议题，它需要合成新的动作，而不不外观，此外还需要保持时间上的一致性。在这条赛道上探索的公司也不少。前段时间，谷歌发布的 Dreamix 以将文本条件视频扩散模型（model penyebaran video, VDM）应用龑>近日，曾参与创建 Resapan Stabil 的 Landasan公司推出了一个新的人工智能模型「Gen-1」，该模型通过应用文本 prompt有视频转化为新视频。比如将「街道上的人」变成「粘土木偶」，只需要一行 gesaan。

推荐>：逜珜荐：加华atau 一张图，Resapan Stabil 的公司把 AIGC 玩出了新花样。

论文 3：Sambungan otak serangga>

作者：MICHAEL WINDING 等

论文地址：https://www.science.org/doi/ 10.1126/science.add9330

摘要：研究人员完成了迄今一得迄今为图要：研究人员完成了迄今为得迄今为德要谱，这是神经科学领域的一项里程碑式成就，使科学家更接近对思维机制的真正理解。

Pasukan antarabangsa yang diketuai oleh Johns Hopkins University dan University of Cambridge telah menghasilkan peta terperinci yang menakjubkan bagi setiap sambungan saraf dalam otak larva lalat buah, satu kajian yang serupa dengan otak manusia Sebuah model saintifik prototaip. . Penyelidikan itu mungkin menyokong penyelidikan otak masa depan dan memberi inspirasi kepada seni bina pembelajaran mesin baharu.



Disyorkan: Peta otak serangga paling lengkap setakat ini, yang mungkin memberi inspirasi kepada pembelajaran mesin baharu seni bina.

Kertas 4: Dinamik yang didorong oleh ketidakpastian untuk pembelajaran aktif potensi interatomik

• Pengarang : Maksim Kulichenko et al.
• Alamat kertas: https://www.nature.com/articles/s43588-023-00406-5

Abstrak: Model pembelajaran mesin (ML), jika dilatih pada set data daripada simulasi kuantum ketelitian tinggi, boleh menjana potensi interatomik yang tepat dan cekap. Pembelajaran aktif (AL) ialah alat yang berkuasa untuk menjana set data yang berbeza secara berulang. Dalam pendekatan ini, model ML menyediakan anggaran ketidakpastian dan ramalannya untuk setiap konfigurasi atom baharu. Jika anggaran ketidakpastian melebihi ambang tertentu, konfigurasi disertakan dalam set data.

Baru-baru ini, penyelidik dari Los Alamos National Laboratory di Amerika Syarikat membangunkan strategi: Dinamik Pembelajaran Aktif Didorong Ketidakpastian (UDD-AL) untuk mencapai konfigurasi Discover yang lebih pantas yang menambah data latihan secara bermakna set. UDD-AL mengubah suai permukaan tenaga berpotensi yang digunakan dalam simulasi dinamik molekul untuk menyokong kawasan ruang konfigurasi di mana ketidakpastian model besar wujud. Prestasi UDD-AL ditunjukkan pada dua tugas AL. Rajah di bawah menunjukkan perbandingan kaedah UDD-AL dan MD-AL untuk kes ujian glisin.



Disyorkan: Sub-jurnal alam semula jadi | Didorong oleh ketidakpastian, kuasa untuk pembelajaran aktif gunakan pensampelan automatik.

Kertas 5: Sintesis gabungan untuk penemuan bahan dipacu AI

• Pengarang: John M. Gregoire et al
• Alamat kertas: https://www.nature.com/articles/s44160-023-00251-4

Abstrak: Sintesis ialah asas eksperimen bahan keadaan pepejal, dan sebarang teknik sintesis semestinya melibatkan perubahan beberapa parameter sintesis, yang paling biasa ialah komposisi dan penyepuhlindapan suhu. Sintesis kombinatorial secara amnya merujuk kepada sintesis bahan automatik/selari untuk mencipta koleksi bahan dengan variasi sistematik satu atau lebih parameter sintesis. Aliran kerja eksperimen terkawal kecerdasan buatan meletakkan keperluan baharu pada sintesis gabungan.

Di sini, penyelidik Caltech memberikan gambaran keseluruhan sintesis gabungan, membayangkan masa depan sains bahan dipercepatkan yang didorong oleh pembangunan bersama sintesis gabungan dan teknologi AI. dan menubuhkan sepuluh metrik untuk menilai pertukaran antara teknologi yang berbeza, meliputi kelajuan, kebolehskalaan, skop dan kualiti. Metrik ini membantu menilai kesesuaian teknologi untuk aliran kerja tertentu dan menggambarkan bagaimana kemajuan dalam sintesis gabungan akan membawa kepada era baharu sains bahan dipercepatkan. Berikut ialah penunjuk sintesis dan penilaian masing-masing bagi platform sintesis gabungan.



Disyorkan: Tinjauan Sintesis Alam Semula Jadi: Sintesis kombinatorial didorong oleh kecerdasan buatan untuk penemuan bahan.

Kertas 6: Imej Bertopeng Adalah Sampel Balas untuk Penalaan Halus Teguh

• Pengarang: Yao Xiao et al
• Alamat kertas: https://arxiv.org/abs/2303.03052

Abstrak: Makmal Gabungan Perisikan Manusia-Komputer (HCP) Universiti Sun Yat-sen telah membuat pencapaian yang memberangsangkan dalam AIGC dan pelbagai -model besar modal lebih daripada sepuluh kertas telah dipilih untuk AAI 2023 dan CVPR 2023 baru-baru ini, kedudukan antara eselon pertama institusi penyelidikan global. Salah satu kerja melaksanakan penggunaan model kausal untuk meningkatkan kebolehkawalan dan generalisasi model besar berbilang mod dalam penalaan dengan ketara - "Imej Bertopeng Adalah Sampel Balas untuk Penalaan Halus Teguh".



Cadangan: Kejayaan baharu dalam makmal HCP Universiti Sun Yat-sen: Menaik taraf pelbagai -mod dengan paradigma kausal Model keadaan besar.

Kertas 7: Satu Transformer Sesuai dengan Semua Agihan dalam Resapan Pelbagai Modal pada Skala

• Pengarang: Fan Bao et al
• Alamat kertas: https://ml.cs.tsinghua.edu.cn/diffusion/unidiffuser.pdf

Abstrak: Kertas kerja ini mencadangkan UniDiffuser, rangka kerja pemodelan probabilistik yang direka untuk pelbagai mod, dan mengguna pakai seni bina rangkaian berasaskan pengubah yang dicadangkan oleh pasukan U-ViT melatih model dengan satu bilion parameter pada set data grafik berskala besar sumber terbuka LAION-5B, membolehkan model asas menyelesaikan pelbagai tugas penjanaan dengan kualiti tinggi (Rajah 1). Ringkasnya, sebagai tambahan kepada imej penjanaan imej sehala, ia juga boleh merealisasikan pelbagai fungsi seperti teks penjanaan imej, penjanaan bersama teks imej, penjanaan teks imej tanpa syarat, penulisan semula teks imej, dll., yang meningkatkan kecekapan pengeluaran kandungan imej teks dan meningkatkan lagi kecekapan penjanaan Imaginasi aplikasi model formula.



Disyorkan: Pasukan Tsinghua Zhu Jun sumber terbuka model penyebaran pelbagai mod besar yang pertama berasaskan pada Transformer , interaksi teks dan gambar, dan penulisan semula memenangi semuanya.

Stesen Radio Mingguan ArXiv

Heart of Machine bekerjasama dengan Stesen Radio Mingguan ArXiv yang dimulakan oleh Chu Hang, Luo Ruotian dan Mei Hongyuan, dan memilih artikel ini berdasarkan 7 Kertas Lagi kertas penting setiap minggu, termasuk 10 kertas terpilih dalam setiap medan NLP, CV dan ML, dan pengenalan abstrak kepada kertas dalam bentuk audio disediakan.

10 kertas kerja terpilih NLP minggu ini ialah:

1 Jenis. (dari Martha Palmer, Jiawei Han)

2. Gambaran Keseluruhan tentang Model Bahasa: Perkembangan dan Pandangan Terkini (daripada C.-C. Jay Kuo)

3. Mempelajari Perwakilan Pertuturan Visual Merentas Bahasa (daripada Maja Pantic)

4 Pembelajaran: Hasil yang Menjanjikan, Had dan Potensi (dari Ge Wang)

5. Gambar Bernilai Seribu Perkataan: Rancangan Bahasa daripada Pixels >

6 Adakah Transformers Menghuraikan semasa Meramalkan Perkataan Bertopeng? (dari Sanjeev Arora)

7. daripada Amnon Shashua)

8 Adakah Meta-maklumat Dalam Hospital Berguna untuk Penjanaan Ringkasan Pelepasan Abstrak? (dari Yuji Matsumoto)

. 9. ChatGPT Menyertai Peperiksaan Sains Komputer (dari Ulrike von Luxburg)

10 Pasukan SheffieldVeraAI di SemEval-2023 Tugasan 3: Pendekatan mono dan berbilang bahasa untuk genre berita, topik dan pujukan. klasifikasi teknik. (dari Kalina Bontcheva)

10 kertas kerja CV terpilih minggu ini ialah:

1. Dari Tempatan Corak Perduaan kepada Rangkaian Perbezaan Piksel untuk Pembelajaran Perwakilan Visual yang Cekap (daripada Matti Pietikäinen, Li Liu)

2. Perhimpunan Bentuk 3D Berbilang Bahagian Berbilang Bahagian Peringkat Kategori.  (dari Wojciech Matusik, Leonidas Guibas)

3. PartNeRF: Menjana Bentuk 3D Boleh Disunting Separa Sedar tanpa Pengawasan 3D.  (dari Leonidas Guibas)

4. Meneroka Gabungan Temporal Jangka Panjang Berulang untuk Persepsi 3D Berbilang Pandangan.  (daripada Xiangyu Zhang)

5. Dapatkan Apa yang Anda Perlukan: Memikirkan Semula Pengecaman Struktur Jadual Kompleks dengan Pertimbangan Komponen Fleksibel.  (daripada Bing Liu)

6. Pengesanan Perhubungan Visual Bersatu dengan Model Penglihatan dan Bahasa.  (dari Ming-Hsuan Yang)

7. Pembelajaran Separuh Penyeliaan Kontrastif untuk Pemulihan Imej Bawah Air melalui Bank Boleh Dipercayai.  (dari Huan Liu)

8. InstMove: Instance Motion untuk Segmentasi Video berpusatkan Objek.  (dari Xiang Bai, Alan Yuille)

9. ViTO: Pengubah Penglihatan-Operator.  (daripada George Em Karniadakis)

10. Rangka Kerja Mudah untuk Segmentasi dan Pengesanan Perbendaharaan Kata Terbuka.  (dari Jianfeng Gao, Lei Zhang)

本周 10 篇 ML 精选论文是：

1.>1.> Mengitlak dan Menyahgandingkan Keruntuhan Neural melalui Jurang Keseragaman Hipersfera.  (dari Bernhard Schölkopf)

2. AutoTransfer: AutoML dengan Pemindahan Pengetahuan -- Aplikasi untuk Rangkaian Neural Graf.  (daripada Jure Leskovec)

3. Pembelajaran Pelbagai Tugas Hubungan: Memodelkan Hubungan antara Data dan Tugasan.  (daripada Jure Leskovec)

4. Ringkasan Outlier Boleh Ditafsir.  (daripada Samuel Madden)

5. Pembelajaran Bersekutu Peribadi Berasaskan Prompt Visual.  (dari Dacheng Tao)

6. Pembinaan Semula Peristiwa Bersama yang Boleh Ditafsirkan untuk Fizik Neutrino di NOvA dengan CNN Jarang dan Transformer.  (daripada Pierre Baldi)

7. FedLP: Mekanisme Pemangkasan Lapisan untuk Pembelajaran Bersekutu Cekap Komunikasi-Pengiraan.  (daripada Fei Wang, Khaled B. Letaief)

8. Traffic4cast di NeurIPS 2022 -- Ramalkan Dinamik sepanjang Tepi Graf daripada Data Nod Jarang: Trafik Seluruh Bandar dan ETA daripada Pengesan Kenderaan Pegun.  (dari Sepp Hochreiter)

9. Mencapai Trade-off Kestabilan-Plastik yang Lebih Baik melalui Rangkaian Bantu dalam Pembelajaran Berterusan.  (daripada Thomas Hofmann)

10. Prototaip Pemandu dengan Penalaan Pantas untuk Pembelajaran Berterusan tanpa Latihan.  (daripada Dimitris N. Metaxas)

Atas ialah kandungan terperinci Tambahkan kesan khas pada video dalam satu ayat peta otak serangga yang paling lengkap setakat ini. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!