2025年05月15日
来源：专知本文为论文介绍，建议阅读5分钟近年来，深度卷积神经网络在计算机视觉领域取得了革命性的进展，并被广泛地应用到图像分类、物体检测、实例分割等经典的计算机视觉问题当中。2025年05月15日
克雷西 发自 凹非寺
量子位 | 公众号 QbitAI
只要一块6年前的2080Ti，就能做大模型数据蒸馏？
2025年05月15日
全球顶刊《Nature》子刊已下场：
“AI+中医诊断”成2025年最高引用潜力领域！
● 算法方向：脉象信号处理、舌苔图像分割、证型分类模型；
● 硬核数据：至少需包含800例标注样本+交叉验证结果；
2025年05月15日
编辑：Joey 桃子
2025年05月15日
图源：unsplash
原文来源：arXiv
作者：Chao-Yuan Wu、Nayan Singhal、Philipp Kr"ahenbühl
「雷克世界」编译：嗯~是阿童木呀、KABUDA、EVA
我们的数字通信、媒介消费和内容创作越来越多地围绕着视频展开。我们通过这些视频分享、观察和存档我们生活的许多方面，而所有这些都是由强大的视频压缩驱动的。传统的视频压缩是通过费力的手工设计和手工优化进行的。本文提出了一种端到端深度学习编解码器的可选方案。我们的编解码器建立在一个简单的想法上：视频压缩是重复的图像插值。因此，它得益于在深度图像插值和生成方面的最新研究进展。我们的深度视频编解码器性能优于当今流行的编解码器，比如H.261、MPEG-4 Part 2，并且与H.264的性能相媲美。
2025年05月15日
生成模型是近年来受到广泛关注的无监督学习中的一类重要模型。可以将它们定义为一类模型，其目标是学习如何生成与训练数据来自同一数据集的新样本。在训练阶段，生成模型试图解决密度估计的核心任务。 在密度估计中，我们的模型学习构建一个估计——pmodel(x)——尽可能类似于不可观察的概率密度函数——pdata(x)。需要说明的是，生成模型应该能够从分布中生成新样本，而不仅仅是复制和粘贴现有样本。 一旦我们成功地训练了我们的模型，它就可以用于各种各样的应用，从各种形式的重建，如图像填充、着色和超分辨率到生成艺术品。