让老照片重现光彩（三）：完整论文的中文译文

香港城市大学和微软亚洲研究院的“让老照片重现光彩”（Bringing Old Photos Back to Life）项目的论文地址：https://arxiv.org/abs/2004.09484

完整论文的中文译文如下：

（论文中文译文的PDF文件可以到百度网盘下载：

https://pan.baidu.com/s/1cOYEVjGhMDml1D0Kx5_Esw 提取码: xruq）

翻译：闪闪·Style

让老照片重现光彩

（香港城市大学，微软亚洲研究院 2020）

我们建议通过深入学习的方法恢复严重退化的旧照片。与传统的有监督学习方法不同的是，真实照片的退化是复杂的，合成图像与真实旧照片之间的域间隙使得网络无法进行泛化。因此，我们提出一个新的三重态域翻译网络，利用真实照片和大量合成图像对。具体来说，我们训练两个变分自动编码器（VAEs）来分别将旧照片和干净照片翻译为两个潜在空间。利用合成的成对数据学习这两个潜在空间之间的翻译。这个翻译很好地推广到真实照片，因为在紧凑的潜在空间中，域间隙是闭合的。此外，为了解决一张旧照片中混合的多个退化问题，我们设计了一个全局分支，其中部分非局部块（partial nonlocal block）针对结构化缺陷，如划痕和灰尘斑点，局部分支针对非结构化缺陷，如噪声和模糊。两个分支在潜在空间融合，从而提高了从多个缺陷恢复旧照片的能力。该方法在旧照片恢复的视觉质量方面优于现有的方法。

1. 介绍

照片的拍摄是为了冻结那些原本已经逝去的快乐时光。纵然时光流逝，人们仍然可以通过观看来唤起对过去的回忆。尽管如此，旧照片在恶劣的环境条件下保存会变质，这会导致有价值的照片内容永久受损。幸运的是，随着移动摄像头和扫描仪的普及，人们现在可以将照片数字化，并邀请一位熟练的专家进行修复。然而，手工修整通常是费时费力的，这使得成堆的旧照片无法恢复。因此，设计能够即时修复旧照片的自动算法对于那些希望恢复老照片的人来说是很有吸引力的。在深度学习时代之前，有一些尝试[1,2,3,4]通过自动检测局部缺陷（如划痕和瑕疵）恢复照片，并使用修复技术填充受损区域。然而，这些方法都侧重于对缺失的内容进行补齐，没有一种方法能够修复空间上均匀的缺陷，如胶片颗粒、乌贼纹、褪色等，因此与现代摄影图像相比，复原后的照片仍然显得过时。随着深度学习的出现，人们可以利用卷积神经网络强大的表示能力，即学习特定任务的映射，来解决各种低级图像恢复问题[5, 6, 7, 8, 9, 10, 11, 12]。利用卷积神经网络强大的表现能力，即从从大量合成图像中学习特定任务的映射。

然而，同样的框架并不适用于旧照片的复原。首先，旧照片的退化过程相当复杂，没有能够真实再现旧照片伪影的退化模型。因此，从这些合成数据中得到的模型在真实照片上的推广效果很差。第二，旧照片受到退化复合物的困扰，固有地需要不同的修复策略：在空间上均匀的非结构化缺陷，如胶片颗粒和颜色褪色，应利用邻近区域的像素进行恢复，而结构化缺陷，如划痕、灰尘斑等，则应进行修复使用全局映像上下文修复。为了避免这些问题，我们将旧照片复原问题描述为一个三重态域翻译问题。与以往的图像翻译方法[13]不同，我们利用三个领域的数据（即真实的旧照片、合成图像和相应的地面真实情况），并在潜在空间中进行翻译。合成图像和真实照片首先通过共享变分自动编码器[14]（VAE）转换到同一个潜在空间。同时，训练另一个VAE将地面真实干净图像投影到相应的潜在空间中。然后利用合成图像对学习两个潜在空间之间的映射，从而将损坏的图像还原为干净的图像。隐式复原的优点在于，学习到的隐式复原可以很好地推广到真实照片中，因为它在第一个VAE内是区域对齐的。此外，我们还区分了混合退化，并提出了一种考虑潜在特征的长程依赖性的部分非局部块来具体解决潜在翻译过程中的结构性缺陷。通过与几种主要的恢复方法的比较，证明了该方法在恢复真实照片的多次退化方面的有效性。

2. 相关工作

2.1 单退化图像恢复

现有的图像退化大致可分为两类：非结构化退化（如噪声、模糊、褪色和低分辨率）和结构化退化（如孔洞、划痕和斑点）。对于前一类非结构化的图像，传统的图像优先权通常是不同的，包括非局部自相似[15,16,17]、稀疏性[18,19,20,21]和局部平滑[22,23,24]。最近，许多基于深度学习的方法也被提出用于不同的图像退化，如图像去噪[5,6,25,26,27,28,29]，超分辨率[7,30,31,32,33]和去模糊[8,34,35,36]。与非结构化退化相比，结构化退化更具挑战性，通常被建模为“图像绘制”问题。由于强大的语义建模能力，大多数现有的最佳修复方法都是基于学习的。例如，刘等[37]屏蔽了卷积算子中的空穴区域，强制网络只关注非空穴特征。为了获得更好的修复结果，许多其他方法同时考虑局部补丁统计和全局结构。具体地说，Yu等人[38]和Liu等人[39]建议使用注意层来利用远程上下文。在Ren等人中，显式地估计了外观流。[40]从而可以基于相应的补片直接合成空穴区域中的纹理。无论是非结构化退化还是结构化退化，上述基于学习的方法虽然可以取得显著的效果，但都是基于合成数据的训练。因此，它们在真实数据集上的性能高度依赖于合成数据的质量。对于真实的旧图像，由于它们经常被未知退化的混合物严重退化，因此很难准确地描述潜在的退化过程。换言之，只对合成数据进行训练的网络将面临域间隙问题，并在真实的旧照片上表现不佳。本文将真实的旧照片复原问题建模为一个新的三元组域翻译问题，并采用了一些新的技术来最小化域间隙。

2.2 混合退化图像复原

在现实世界中，损坏的图像可能会出现复杂的缺陷，包括划痕、分辨率损失、褪色和胶片噪声。然而，解决混合退化的研究较少。先驱者的工作[41]提出了一个工具箱，由多个轻量网络组成，每个网络都对特定的退化负责。然后他们学习从工具箱中动态选择操作符的控制器。受[41]的启发，[42]并行执行不同的卷积运算，并使用注意机制来选择最合适的操作组合。然而，这些方法仍然依赖于对合成数据的监督学习，因此不能推广到真实照片中。此外，它们只关注非结构化缺陷，不支持像图像修复这样的结构化缺陷。另一方面，乌里扬诺夫等人。[43]发现deep神经网络固有地与低层图像统计共振，因此可以作为无需外部训练数据的盲图像恢复的图像先验。尽管[43]中没有声明，这种方法有可能恢复被混合因子破坏的野生图像。相比之下，我们的方法在恢复性能和效率方面都优于其他方法。

2.3 旧照片修复

旧照片恢复是一个经典的混合退化问题，但现有的大多数方法[1,2,3,4]只关注修复。它们遵循类似的范例，即首先根据低级特征识别划痕和斑点等缺陷，然后通过借用附近的纹理进行修复。然而，手工制作的模型和他们使用的低级功能很难很好地检测和修复这些缺陷。而且，这些方法都没有考虑到修复一些非结构化缺陷，如褪色或低分辨率。因此，修复后的照片仍然显得过时。在这项工作中，我们利用一种数据驱动的方法来重新研究这个问题，它可以同时从多个缺陷中恢复图像，并将严重损坏的旧照片转换为现代风格。

3. 方法

与传统的图像复原任务相比，老照片复原更具挑战性。首先，旧照片包含了更复杂的退化，很难真实地建模，而且合成照片和真实照片之间总是存在一个域间隙。因此，网络通常不能通过单纯地从合成数据中学习来很好地概括真实照片。其次，旧照片的缺陷是多重退化的复合物，因此本质上需要不同的修复策略。非结构化缺陷，如薄膜噪声、模糊、褪色等，可以利用局部区域内的像素点，用空间均匀的滤波器进行恢复；另一方面，对于划痕、斑点等结构化缺陷，应考虑全局背景，以保证结构的一致性。下面，我们分别针对上述的泛化问题和混合退化问题提出解决方案。

3.1 基于隐空间翻译的复原

为了减小域间隙，我们将旧照片复原问题归结为一个图像翻译问题，我们将干净图像和旧照片视为来自不同域的图像，并希望学习它们之间的映射关系。然而，与连接两个不同域的一般图像翻译方法不同[13，44]，我们跨三个域翻译图像：真实光域R，图像遭受人工退化的合成域X，以及包含未退化图像的相应地面真实域Y。这种三重态域翻译在我们的任务中至关重要，因为它利用了未标记的真实照片以及大量与地面真实相关的合成数据。

我们分别用r∈R、x∈X和y∈Y表示来自三个域的图像，其中x和y通过数据合成进行配对，即x从y退化。直接从{r}1-N的真实照片到{y}1-N的干净图像的映射很困难，因为它们不是成对的，因此不适合监督学习。因此，我们建议将翻译分为两个阶段，如图2所示。首先，我们建议通过ER:R->ZR、EX:X->ZX、EY:Y->ZY分别映射R，X，Y到相应的潜在空间。

特别是因为合成图像和真实的旧照片都是损坏的，具有相似的外观，我们通过实施一些约束将它们的潜在空间对齐到共享域中。所以我们有ZR≈ZX。这个对齐的潜空间编码所有损坏图像的特征，无论是合成的还是真实的。在此基础上，我们提出了在潜在空间学习图像恢复的方法。具体地说，利用{x,y}1-N的合成数据对，我们学习了从损坏图像的潜在空间ZX到地面真相的潜在空间ZY的翻译，通过映射TZ:ZX->ZY，其中ZY可以通过生成器GY:ZY->Y进一步反转为Y。通过学习潜在空间的翻译，可以通过依次执行映射来恢复真实的旧照片r：

3.1.1 VAE潜空间中的域对齐

方法的一个关键是满足R和X被编码到同一个潜空间的假设。为此，我们建议使用变分自动编码器[14]（VAE）来编码具有紧凑表示的图像，其域间隙由一个对抗性鉴别器进一步检查[45]。我们使用图3所示的网络体系结构来实现这个概念。在第一阶段中，学习两个VAE作为潜在表征。旧照片{r}和合成图像{x}通过编码器ER,X和生成器 GR,X共享第一个名为VAE1，而地面真实图像{y}通过编码器-生成器对{EY,GY}输入到第二个VAE2中。VAE1对r和x是共享的，目的是将来自两个损坏域的图像映射到共享的潜在空间。VAEs假设隐码的分布具有高斯先验性，因此可以通过从潜在空间采样来重建图像。我们使用重参数化技巧来实现差分随机抽样[46]，并分别用数据{r}和{x}优化VAE1。{r}的目标定义为：

其中， zr∈ZR是r的潜码，rR->R是生成输出。方程中的第一项是KL散度，它惩罚了潜在分布与高斯先验的偏差。第二个l1项允许VAE重建输入，隐式地执行潜码来捕获图像的主要信息。此外，我们在公式中引入了最小平方损失（LSGAN）[47]，表示为LVAE1,GAN，以解决VAEs中众所周知的过平滑问题，进一步鼓励VAE重建具有高真实感的图像。{x}的目标，表示为LVAE1（x），定义类似。用相似的损失训练域Y的VAE2，从而得到相应的潜在表示zy∈Y。

我们使用VAE而不是普通的自动编码器，因为VAE由于KL正则化（这将在消融研究中得到证实）而具有更密集的潜在表现，这有助于为{r}和{x}产生更紧密的潜在空间，从而导致更小的畴隙。为了进一步缩小这个缩小的空间中的域间隙，我们建议使用一个对抗性网络来检查剩余的潜在缺口。具体地说，我们训练另一个区分ZR和ZX的鉴别器DR,X，其损失函数定义为：

同时，VAE1的编码器ER,X试图用矛盾的损耗欺骗鉴别器，以确保R和X映射到同一空间。结合潜在对抗损失，VAE1的总目标函数为：

3.1.2 通过潜在映射进行恢复

利用VAEs捕获的潜码，第二阶段利用合成图像对{x,y}并提出通过映射其潜在空间来学习图像恢复（图3中的映射网络M）。潜在修复的好处是三方面的。首先，由于R和X在同一个潜在空间中排列，从ZX到ZY的映射也可以很好地推广到R中的图像恢复。其次，在紧凑的低维潜在空间中的映射原则上比在高维图像空间中更容易学习。另外，由于两个VAE是独立训练的，因此两个流的重建不会相互干扰。在给定ZX映射的潜在代码zy的情况下，生成器Gy始终可以获得绝对干净的图像而不会退化，而如果我们学习像素级的翻译，退化很可能仍然存在。

让rR->Y、 xX->Y和yY->Y分别是r、x和的y最终翻译输出。在这一阶段，我们单独训练潜在映射网络T的参数并修正两个VAE。施加在潜在码和生成器Gy末端的损失函数LT由三个项组成，

其中，潜在空间损失，对相应潜在代码的l1距离进行惩罚。我们引入对抗性损失LT,GAN，仍然是LSGAN的形式[47]，以鼓励最终翻译合成的图像xX->Y看起来很真实。此外，我们引入特征匹配损失LFM以稳定GAN的训练。具体地说，LFM匹配对抗性网络DM的多级激活，和预训练VGG网络的多级激活（在[13，48]中也称为感知损失），即，

其中表示鉴别器（VGG网络）的第i层特征图，表示该层中的激活次数。

3.2 多重退化恢复

由于每一层的感受野有限，正如前面所描述的，使用残差块的潜在恢复仅集中于局部特征。尽管如此，结构性缺陷的修复需要合理的修复，修复必须考虑长期依赖性，以确保全局结构一致性。由于遗留照片通常包含混合退化，我们必须设计一个同时支持这两种机制的恢复网络。为了实现这一目标，我们建议通过合并一个全局分支来增强潜在恢复网络，如图3所示，该分支由一个考虑全局上下文的非局部块[49]和下面的几个残差块组成。虽然在[49]中提出的原始块不知道损坏区域，但是我们的非局部块显式地使用掩码输入，这样就不会采用损坏区域中的像素来完成这些区域。由于上下文是特征图的一部分，因此我们将专门为潜在修复设计的模块称为部分非局部块。

形式上，设F∈RC×HW为M的中间特征图（C、H、W分别为通道数、高度和宽度），m∈{0,1}HW表示缩小到相同尺寸的二进制掩码，其中1表示要修复的缺陷区域，0表示完整区域。F中第i个位置和第j个位置之间的亲和力用si,j ∈RHW×HW表示，由掩码（1-mj）调制的Fi和Fj的相关性计算，即：

式中，

给出嵌入高斯分布的成对亲和力。θ和φ将F投影到高斯空间进行亲和性计算。根据考虑掩码中孔洞的亲和性si,j，部分非局部最终输出：

这是每个位置相关特征的加权平均值。我们用1x1卷积实现了嵌入函数θ、φ、μ和ν。

我们设计了专门用于修复的全局分支，并希望非孔洞区域保持不变，因此我们在掩码的指导下将全局分支与局部分支相融合，即

其中运算符⊙表示Hadamard积，“局部”和“全局”表示两个分支中残差块的非线性变换。这样，这两个分支就构成了潜在恢复网络，能够处理老照片的多重退化问题。我们将在第4.1节中详细介绍缺陷掩码的推导。

4. 实验

4.1 实现

训练数据集

我们使用来自Pascal VOC数据集的图像合成旧照片[50]。为了渲染真实的缺陷，我们还收集划痕和纸张纹理，这些纹理通过弹性变形进一步增强。我们使用图层添加、仅加亮和随机不透明度的屏幕模式来混合来自数据集的真实图像上的划痕纹理。为了模拟大面积的照片损伤，我们生成了羽状和随机形状的洞，损伤处下面的纸张纹理被揭开。最后，引入薄膜颗粒噪声和随机模糊来模拟非结构缺陷。此外，我们收集了5718张旧照片，形成了图像旧照片数据集。

划痕检测

为了检测出用于部分非局部块的结构化（损伤）区域，我们训练了另一个具有Unet架构的网络[51]。首先只利用合成图像训练检测网络。我们采用焦距损失[52]来弥补正负探测的不平衡。为了进一步提高对真实旧照片的检测性能，我们对收集到的783张带有划痕的旧照片进行了注释，其中我们使用400张图片对检测网络进行了微调。图4中验证集上的ROC曲线显示了微调的有效性。微调后曲线下面积（AUC）达到0.91。

训练细节

我们采用Adam solver[53]，其中β1=0:5，β2=0:999。前100个训练周期（epoch）的学习率设为0.0002，此后线性衰减为零。在训练过程中，我们随机裁剪图像到256x256。在所有的实验中，我们根据经验将方程（2）和（5）中的参数分别设为α=10，λ1=60和λ2=10。

4.2 比较

基线

将我们的方法和当前最先进的方法进行比较。为了公平比较，我们使用相同的训练数据集（Pascal VOC）对所有方法进行训练，并在由DIV2K数据集[54]合成的损坏图像和旧照片数据集的测试集上测试它们。以下方法用于比较：

操作注意[42]并行执行多个操作，并使用注意机制选择适当的分支进行混合降级恢复。它通过监督学习从合成图像对中学习。
Deep-image-prior[43]学习给定单一退化图像的图像恢复，并已被证明在去噪、超分辨率和盲修复方面具有强大的能力。
Pix2Pix[55]是一种有监督的图像翻译方法，它利用合成图像对来学习图像级的翻译。
CycleGAN[44]是一种著名的无监督图像翻译方法，它使用不同域的未配对图像学习翻译。
最后一个基线是依次执行BM3D[56]，一种经典的去噪方法，以及EdgeConnect[57]，一种最先进的修复方法，分别恢复非结构化和结构化缺陷。

定量比较

我们在DIV2K数据集合成图像上测试不同的模型，并采用四种度量方法进行比较。表1给出了定量结果。利用峰值信噪比（PSNR）和结构相似性指数（SSIM）来比较恢复输出之间的低层级（low level）差异以及事实真相。由于这种方法直接优化了像素级的损失，因此操作性的注意方法可以获得最佳的PSNR/SSIM分数。我们的方法在PSNR/SSIM方面排名第二。然而，这两个表征低层级差异的指标通常与人类的判断不太相关，尤其是对于复杂的未知失真[58]。因此，我们还采用了最近学习到的感知图像块相似性（LPIPS）[58]度量，该度量计算预训练网络的多级激活的距离，并被认为与人类的感知更好地相关。这一次，Pix2pix和我们的方法给出了最好的分数，但差别很小。然而，操作注意方法在这个度量下表现出较差的性能，表明它不能产生良好的感知质量。此外，我们采用Fre’chet初始距离（FID）[59]，该方法被广泛用于评估生成模型的质量。具体来说，FID分数计算出最终输出的特征分布与真实图像之间的距离。尽管如此，我们的方法和Pix2pix排名最好，而我们的方法显示出轻微的数量优势。总的来说，我们的方法可与合成数据的主要方法相媲美。

定性比较

为了验证该方法可以推广到真实老照片，我们在真实照片数据集上进行了实验。为了公平的比较，我们重新训练了CycleGAN，将真实照片翻译成干净的图像。由于我们缺乏真实照片的还原真实性，因此我们无法应用基于参考的度量来进行评估。因此，我们对结果进行定性比较，如图5所示。DIP方法能在一定程度上恢复混合退化。然而，需要在缺陷恢复和结构保留二者之间有所权衡：长时间的训练会展示更多的缺陷；而较少的迭代会导致精细结构的丧失。从未配对图像中学习到的CycleGAN倾向于专注于恢复非结构化缺陷，而忽略了恢复所有划痕区域。操作注意方法和顺序操作都提供了可比的视觉质量。但是，它们不能修正合成数据中未包含的缺陷，如棕色问题和褪色。此外，结构化缺陷仍然存在问题，可能是因为它们无法处理与合成数据集有细微差别的旧照片纹理。Pix2pix可以与我们的合成图像方法相媲美，但是在视觉上不如我们的方法。一些胶片噪声和结构性缺陷仍然存在于最终输出中。这是由于合成图像与真实照片之间存在域间隙，使得该方法无法推广。相比之下，我们的方法给出了清晰、清晰的图像，用不明显的伪影合理地填充了划痕。除了成功地解决了数据合成中考虑的伪影，我们的方法还可以适当地增强照片的色彩。总的来说，我们的方法给人的视觉上最愉快的结果，恢复后的照片看起来像现代摄影图像。

用户研究

为了更好地说明主观质量，我们进行了用户研究，与其他方法进行了比较。我们从测试集中随机抽取25张旧照片，让用户根据恢复质量对结果进行排序。我们收集了22位用户的主观意见，结果如表2所示。结果表明，我们的方法被选为一级结果的概率高出64.86%，显示了我们方法的明显优势。

4.3 消融研究

为了证明个体技术贡献的有效性，我们进行了以下消融研究。

基于VAEs的潜在翻译

让我们考虑以下变体，并逐个添加建议的组件：1）Pix2Pix，它在图像级别学习翻译；2）两个VAE，附加KL损失来惩罚潜在空间；3）两阶段训练的VAEs（VAEs-TS）：首先对两个VAE分别进行训练，然后用两个VAEs（不固定）学习潜在映射；4）我们的完整模型，也采用了潜在对抗损失。我们首先计算旧照片和合成图像的潜在空间之间的Wasserstein距离[60]。从表3可以看出，加入各组分后，分布距离逐渐减小。这是因为VAEs产生了更紧凑的潜在空间，两阶段训练将两个VAE隔离开来，潜在的对抗损失进一步缩小了域间隙。较小的域间隙可以提高模型的泛化能力。为了验证这一点，我们采用了一种盲图像质量评估指标BRISQUE[61]，来测量复原后的照片质量。通过应用这些技术，表3中的BRISQUE得分逐渐提高，这也与图6中的视觉结果一致。

部分非局部块

部分非局部块的效果如图7和图8所示。由于使用了一个大的图像上下文，可以用较少的视觉伪影来修复划痕，并且可以实现更好的全局一致性恢复。此外，表1中的定量结果也表明部分非局部块在所有度量上都能持续地提高恢复性能。

5. 讨论与结论

我们提出了一种新的三重态域翻译网络来恢复旧照片中的混合退化。减少了旧照片与合成图像之间的域间隙，并在潜在空间学习干净图像的转换。与以往的方法相比，我们的方法不存在泛化问题。此外，我们还提出了一种部分非局部块，它利用全局上下文恢复潜在特征，从而使划痕得到较好的结构一致性修复。我们的方法在恢复严重退化的旧照片方面表现出良好的性能。但是，我们的方法无法处理复杂的着色，如图9所示。这是因为我们的数据集包含了很少有这样缺陷的旧照片。我们可以通过显式地考虑合成过程中的阴影效果或添加更多这样的照片作为训练数据来解决这个限制。致谢：我们要感谢谢晓坤的帮助和匿名评论员的建设性意见。这项工作得到了 Hong Kong ECS grant No.21209119, Hong Kong UGC. 的部分支持。

参考文献

（略）

让老照片重现光彩（三）：完整论文的中文译文相关推荐

【实战】（香港城市大学，微软亚洲研究院）让老照片重现光彩（一）：Bringing Old Photos Back to Life
香港城市大学和微软亚洲研究院的"让老照片重现光彩"(Bringing Old Photos Back to Life)项目侧重于对老照片进行划痕修复和人脸效果增强,在老照片处理方面 ...
让老照片重现光彩：Bringing Old Photos Back to Life（实战）
Bringing Old Photos Back to Life 香港城市大学和微软亚洲研究院的"让老照片重现光彩"(Bringing Old Photos Back to Lif ...
让老照片重现光彩（一）：Bringing Old Photos Back to Life
作者开创性地使用了两个变分自动编码器(VAEs),分别将旧照片.干净照片映射到两个不同的潜码空间.这里, r 是真实的旧照片: (x, y) 是通过数据合成产生的配对数据集,y 是干净照片集,x 是由 ...
NLP能否像人脑一样工作？CMU、MIT三篇论文详解机器和大脑范畴下NLP的关系
本文转载自公众号机器之心作为计算机科学领域与人工智能领域的重要研究课题,自然语言处理已经在各领域展开了广泛的研究与探讨.随着研究的深入,一些学者开始探讨机器中的自然语言处理和大脑中的自然语言处理是否 ...
看google三篇论文的感触
刚开始看老师推荐的三篇Google的技术论文(分别是GFS,Mapreduce,Bigtable)时,基本上是云里雾里,摸不着头尾.于是我结合网上查询的资料,对于这些论文讲述的一些知识有了一定的了解. ...
基于51单片机的电动智能小车（完整论文）
基于51单片机的电动智能小车(完整论文): 摘要 80C51单片机是一款八位单片机,他的易用性和多功能性受到了广大使用者的好评.这里介绍的是如何用80C51单片机来实现长春工业大学的毕业设计,该设计 ...
登上 Science，AlphaZero完整论文首次发布
登上 Science,AlphaZero完整论文首次发布 DeepTech深科技百家号12-0720:11 经过数月的反复修改,DeepMind 最强棋类游戏 AI AlphaZero 的完整版论文 ...
批训练、注意力模型及其声纹分割应用，谷歌三篇论文揭示其声纹识别技术原理
声纹识别技术在谷歌的诸多产品中有着重要应用.除了安卓手机目前所独有的声纹解锁功能外,谷歌的家庭语音助手 Google Home 也能通过声纹识别支持多用户模式,从而针对不同用户提供个性化服务.当你向 ...
数学建模篇---2022国赛C题（二）（全程python,完整论文和代码可取！）
接着上回我们继续第三题问题 3 对附件表单 3 中未知类别玻璃文物的化学成分进行分析,鉴别其所属类型,并对分类结果的敏感性进行分析. 我们的分析: 基于问题二的分类模型,计算出每个待测样本点与簇中 ...