來源 |
編輯 | 科雨
2020年AI領(lǐng)域有很多精彩的重要成果，想一覽究竟，卻沒有途徑詳細總結(jié)？小編已經(jīng)幫你準備好了！
2020年，想必各國的人民都被新冠病毒支配得瑟瑟發(fā)抖...不過，這并不影響科研工作者的工作態(tài)度和產(chǎn)出質(zhì)量。疫情之下，通過各種方式，全球的研究者繼續(xù)積極合作，發(fā)表了許許多多有影響力的成果——特別是在人工智能領(lǐng)域。
同時，AI偏見和AI倫理也開始逐漸引起大家的普遍重視。在今年新的研究成果中，那些匯集著科研工作者心血的精華部分，勢必會對未來幾年人工智能的發(fā)展，有著不小的影響。這篇文章就為您介紹了從2020年初到現(xiàn)在為止，在AI和數(shù)據(jù)科學領(lǐng)域，最有趣，最具突破性的論文成果：（小編給大家放上了每篇論文的代碼地址，對任意研究成果感興趣的小伙伴都可以前往一探究竟哦）
1、:目標檢測的最佳速度和精度
論文原文：A. , C.-Y. Wang, and H.-Y. M. Liao, : speed and of , 2020. arXiv:2004.10934 [cs.CV].2020年4月， 等人在論文“:目標檢測的最優(yōu)速度和精度”中正式引入了Yolo4。論文中算法的主要目標，是制作一個具有高質(zhì)量、高精度的超高速目標探測器。代碼地址：
2、 :依據(jù)草圖的人臉圖像深度生成
論文原文：S.-Y. Chen, W. Su, L. Gao, S. Xia, and H. Fu, “: Deep of face from ,” ACM on ( of ACM ), vol. 39, no. 4, 72:1–72:16, 2020.根據(jù)這種新的圖像到圖像轉(zhuǎn)換技術(shù)，我們可以從粗糙的或甚至不完整的草圖出發(fā)，來生成高質(zhì)量的面部圖像。不僅如此，我們甚至還可以調(diào)整眼睛、嘴巴和鼻子對最終圖像的影響。代碼地址：
3、PULSE:通過生成模型的潛空間探索進行自我監(jiān)督照片上采樣
論文原文：S. Menon, A. , S. Hu, N. Ravi, and C. Rudin, Pulse: Self- photo via space of , 2020. arXiv:2003.03808 [cs.CV].該算法可以將模糊的圖像轉(zhuǎn)換成高分辨率的圖像——它可以把一個超低分辨率的16x16圖像，轉(zhuǎn)換成1080p高清晰度的人臉。代碼地址：
4、編程語言的無監(jiān)督翻譯
論文原文：M.-A. , B. , L. , and G. , of , 2020. arXiv:2006.03511 [cs.CL].這種新模型，可以將代碼從一種編程語言轉(zhuǎn)換為另一種編程語言，而不需要任何監(jiān)督。它可以接受函數(shù)并將其轉(zhuǎn)換為c++函數(shù)，反之亦然，而不需要任何先前的示例。它理解每種語言的語法，因此可以推廣到任何編程語言。代碼地址：
5、:多層次像素對齊隱式功能，用于高分辨率的3D人體重建
論文原文：S. Saito, T. Simon, J. , and H. Joo, : Multi-level pixel- for high- 3d human , 2020. arXiv:2004.00452 [cs.CV].這個技術(shù)，可以根據(jù)2D圖像來重建3D高分辨率的人。你只需要提供一個單一的形象，就可以產(chǎn)生一個3D化身，哪怕從背后，也看起來像你。代碼地址：
6、迪士尼的百萬像素級換臉技術(shù)
論文原文：J. , L. , C. , and R. Weber, “High- face- for ,” Forum, vol. 39, pp. 173–184, Jul. 2020.doi:10.1111/cgf.14062.迪士尼在歐洲圖形學會透視研討會（EGSR）上發(fā)表研究，展示了首個百萬像素逼真換臉技術(shù)。他們提出了一種在圖像和視頻中實現(xiàn)全自動換臉的算法。據(jù)研究者稱，這是首個渲染百萬像素逼真結(jié)果的方法，且輸出結(jié)果具備時序一致性。論文鏈接：
7、互換自動編碼器的深度圖像處理
論文原文：T. Park, J.-Y. Zhu, O. Wang, J. Lu, E. , A. A. Efros, and R. Zhang, for deep image , 2020. arXiv:2007.00653 [cs.CV].這種新技術(shù)用文本恢復轉(zhuǎn)換器，通過完全的無監(jiān)督訓練，可以改變?nèi)魏螆D片的紋理，同時還能保持真實性。結(jié)果看起來甚至比GAN還要好，并且速度要快得多。它甚至可以用來制作。代碼地址：
8、GPT-3:實現(xiàn)小樣本學習的語言模型
論文原文：T. B. Brown, B. Mann, N. Ryder, M. , J. , P. , A. , P.Shyam, G. , A. , S. , A. -Voss, G. , T. , R. Child, A. , D. M. , J. Wu, C. , C. Hesse, M. Chen, E. , M. , S.Gray, B. Chess, J. Clark, C. , S. , A. , I. , and D. ,“ are few-shot ,” 2020. arXiv:2005.14165 [cs.CL].目前最先進的NLP系統(tǒng)，都在努力推廣到不同的任務上去，而它們需要在數(shù)千個樣本的數(shù)據(jù)集上進行微調(diào)，相比而言，人類只需要看到幾個例子，就可以執(zhí)行新的語言任務。這就是GPT-3背后的目標——改進語言模型的任務無關(guān)特性。代碼地址：
9、聯(lián)合時空變換的視頻繪制
論文原文：Y. Zeng, J. Fu, and H. Chao, joint - for video in-, 2020. arXiv:2007.10247 [cs.CV].這種AI技術(shù)，可以填補刪除移動物體后的缺失像素，并且可以重建整個視頻。這種方法，比之前的方法都要更準確，更清晰。代碼地址：
10、像素級別的生成預處理
論文原文：M. Chen, A. , R. Child, J. Wu, H. Jun, D. Luan, and I. , “ from ,” in of the 37th on , H. D. III and A. Singh, Eds., ser. of , vol. 119, : PMLR, 13–18 Jul 2020, pp. 1691–1703. [].一個好的AI，比如在Gmail中使用的AI，可以生成連貫的文本并補全短語。類似的，使用相同的原則，這個模型可以補全一個圖像。此外，所有這些都是在無監(jiān)督的訓練中完成的，根本不需要任何標簽!代碼地址：
11、使用白盒卡通表示，來學習卡通化的過程
論文原文： Wang and Jinze Yu, “ to Using White-box .”,IEEE on and , June 2020.只要輸入你想要的的卡通風格，這個AI技術(shù)可以將任何圖片或視頻卡通化。代碼地址：
12、凍結(jié)甄別器：一個簡單的基準來微調(diào)GAN
論文原文：S. Mo, M. Cho, and J. Shin, the : A for fine- gans,2020. arXiv:2002.10964 [cs.CV].這個人臉生成模型，能夠?qū)⒄５娜四樥掌D(zhuǎn)換成獨特的風格，如Lee ，辛普森一家，藝術(shù)的風格用文本恢復轉(zhuǎn)換器，你甚至還可以試試狗! 這種新技術(shù)最好的地方，是它超級簡單，而且顯著優(yōu)于以前使用GAN的技術(shù)。代碼地址：
13、從單一圖像對人的神經(jīng)重新渲染
論文地址：K. , D. Mehta, W. Xu, V. , and C. , “ re- of from a image,” in on (ECCV), 2020.該算法將人體的姿態(tài)和形狀表示為一個參數(shù)網(wǎng)格，可以由單個圖像重建，并易于恢復。根據(jù)其他輸入圖片，給定一個人的圖像，此技術(shù)能夠創(chuàng)建這個人具有不同姿勢，身穿不同衣服的合成圖像。項目主頁：
14、I2L-:實現(xiàn)從單個RGB圖像出發(fā)，來進行精確三維人體姿態(tài)和網(wǎng)格估計的mage-to-Lixel 預測網(wǎng)絡(luò)
論文原文：G. Moon and K. M. Lee, “I2l-: Image-to-lixel for 3d human pose and mesh from a rgb image,” in on (ECCV), 2020該論文研究者提出了一種從單一RGB圖像，來進行三維人體姿態(tài)和網(wǎng)格估計的新技術(shù)，他們將其稱之為I2L-。其中I2L表示圖像到lixel，類似于體素(體積+像素)，研究者將lixel、一條線和像素定義為一維空間中的量化細胞。I2L-: Image-to-Lixel for 3D Human Pose and Mesh from a RGB Image [14]代碼地址：
15、超級導航圖：連續(xù)環(huán)境中的視覺語言導航
論文原文：J. , E. , A. , D. Batra, and S. Lee, “ the nav-graph: -and- in ,” 2020. arXiv:2004.02857 [cs.CV].語言導航是一個被廣泛研究且非常復雜的領(lǐng)域。事實上，對于一個人來說，穿過一間房子去取你放在床邊床頭柜上的咖啡似乎很簡單。但對于機器來說，情況就完全不同了。agent是一種自主的人工智能驅(qū)動系統(tǒng)，使用深度學習來執(zhí)行任務。代碼地址：
16、RAFT:光流的循環(huán)全對場變換
論文原文：Z. Teed and J. Deng, Raft: all-pairs field for flow, 2020. arXiv:2003.12039 [cs.CV].此篇論文來自于普林斯頓大學的團隊，并獲得ECCV 2020最佳論文獎。研究者開發(fā)了一種新的端到端可訓練的光流模型。他們的方法超越了最先進的架構(gòu)在多個數(shù)據(jù)集上的準確性，而且效率更高。代碼地址：
17、眾包采樣全光功能
論文原文：Z. Li, W. Xian, A. Davis, and N. , “ the ,” . on (ECCV), 2020.利用游客在網(wǎng)上公開的照片，他們能夠重建一個場景的多個視點，并保留真實的陰影和光線。對于場景渲染來說，這是一個巨大的進步，象征著最先進的技術(shù)。他們的結(jié)果是驚人的。代碼地址：
18、通過深度潛在空間翻譯來恢復老照片
論文原文：Z. Wan, B. Zhang, D. Chen, P. Zhang, D. Chen, J. Liao, and F. Wen, Old photo via deep space , 2020. arXiv:2009.07047 [cs.CV].想象一下，僅僅靠那些舊的、折疊的、甚至撕破的照片，你就不留任何人工痕跡地可以擁有祖母18歲時的高清照——這就是所謂的舊照片恢復。代碼地址：
19、支持可審核自治的神經(jīng)回路策略
論文原文：, M., , R., Amini, A.et al. .Nat Mach ,642–652 (2020).奧地利理工學院(IST )和麻省理工學院(MIT)的研究人員利用一種新的人工智能系統(tǒng)，是基于蠕蟲等微小動物的大腦，他們成功訓練了一輛自動駕駛汽車。與、或VGG等流行的深度神經(jīng)網(wǎng)絡(luò)所需的數(shù)百萬神經(jīng)元相比，他們只需要少數(shù)神經(jīng)元，就能控制自動駕駛汽車。論文地址：
20、了解不同歲數(shù)的你
論文原文：R. Or-El, S. , O. Fried, E. , and I. -, “ ,” in of the on (ECCV), 2020.想看看你40歲的時候長什么樣？現(xiàn)在可以了！Adobe研究院的一組研究人員開發(fā)了一種新技術(shù)，僅根據(jù)一張真人照片，就可以合成此人在任何年齡的照片。代碼地址：
21、：為黑白圖像著色
是一種對舊的黑白圖像或甚至電影膠片進行著色和恢復的技術(shù)。它由Jason Antic開發(fā)，目前仍在更新中。這是現(xiàn)在給黑白圖像著色的最先進的方法，所有的東西都是開源的。代碼地址：
22、COOT:視頻文本表示學習的協(xié)作層次變換
論文原文：S. Ging, M. , H. , and T. Brox, “Coot: trans- for video-text ,” in on , 2020.顧名思義，通過輸入視頻和視頻的一般描述，此技術(shù)能使用轉(zhuǎn)換器，為視頻的每個序列生成準確的文本描述。代碼地址：
22、像一個真正的畫家一樣變換圖片風格
論文原文：Z. Zou, T. Shi, S. Qiu, Y. Yuan, and Z. Shi, , 2020. arXiv:2011.08114[cs.CV]這種從圖像到繪畫的轉(zhuǎn)換模型，使用了一種不涉及任何GAN架構(gòu)的新穎方法，在多種風格上模擬一個真正的畫家。代碼地址：
23、實時人像摳圖真的需要綠色屏幕嗎?
論文原文：Z. Ke, K. Li, Y. Zhou, Q. Wu, X. Mao, Q. Yan, and R. W. Lau, “Is a green for real-time ?” ArXiv, vol. abs/2011.11961, 2020.人體摳圖是一項非常有趣的任務，它的目標是找到照片中的任何一個人，并將背景從照片中移除。由于任務的復雜性，要找到擁有完美輪廓的人是非常困難的。在這篇文章中，研究者回顧了這些年來使用的最佳技術(shù)和發(fā)表于2020年11月29日的一種新方法。項目地址：
24、ADA: 使用有限數(shù)據(jù)訓練生成對抗網(wǎng)絡(luò)
論文原文：T. , M. , J. , S. Laine, J. , and T. Aila, with data, 2020. arXiv:2006.06676 [cs.CV].使用這種由英偉達開發(fā)的新訓練方法，僅僅使用十分之一的圖像，您就可以訓練一個強大的生成模型！
代碼地址：
最后，大家也可以在在中訪問論文完整列表：參考鏈接：
推薦閱讀：
1.?打開正經(jīng)圖片，你可能會看到一張黃圖，這種造假方法能同時騙過 AI 和人眼
3.?Adam 真的是最好的優(yōu)化器嗎？有人認為不過是神經(jīng)網(wǎng)絡(luò)進化的結(jié)果
4.?Github 高贊：給文字打馬賽克=形同虛設(shè)，AI 看透你一切小心思，已開源
掃碼關(guān)注，成為愛碼士