Một nghiên cứu thực nghiệm về những thách thức của học tăng…

Các nhà nghiên cứu tại Đại học Carnegie Mellon đã phát triển một phương pháp mới để tạo ra các hình ảnh 3D có thể chỉnh sửa được từ một hình ảnh 2D duy nhất. Phương pháp này, được gọi là "3D-aware Generative Adversarial Networks" (3D-GAN), sử dụng mạng lưới đối kháng tạo sinh (GAN) để tạo ra một biểu diễn 3D của đối tượng trong hình ảnh 2D. Sau đó, biểu diễn 3D này có thể được thao tác để tạo ra các góc nhìn mới, thay đổi ánh sáng hoặc thậm chí sửa đổi hình dạng của đối tượng. Phương pháp 3D-GAN có một số ưu điểm so với các phương pháp hiện có để tạo hình ảnh 3D từ hình ảnh 2D. Thứ nhất, nó có thể tạo ra các hình ảnh 3D chất lượng cao, chân thực. Thứ hai, nó có thể tạo ra các hình ảnh 3D có thể chỉnh sửa được, nghĩa là người dùng có thể thay đổi các khía cạnh khác nhau của đối tượng 3D. Thứ ba, nó tương đối nhanh và hiệu quả, khiến nó phù hợp để sử dụng trong nhiều ứng dụng. Các nhà nghiên cứu đã trình diễn phương pháp 3D-GAN trên nhiều tập dữ liệu khác nhau, bao gồm khuôn mặt, ô tô và động vật. Trong tất cả các trường hợp, phương pháp này đã có thể tạo ra các hình ảnh 3D chất lượng cao, chân thực. Các nhà nghiên cứu tin rằng phương pháp 3D-GAN có tiềm năng được sử dụng trong nhiều ứng dụng, bao gồm thực tế ảo, thực tế tăng cường và trò chơi.

Paperium Đăng ngày 23/5 • Ban đầu được xuất bản tại paperium.net Một nghiên cứu thực nghiệm về những thách thức của học tăng cường trong thế giới thực #ai #deeplearning #computerscience #machinelearning AI (Loạt bài gồm 3180 phần) 1 Học tập của tác nhân thông qua kinh nghiệm ban đầu 2 MM-HELIX: Tăng cường suy luận phản chiếu chuỗi dài đa phương thức bằng nền tảng toàn diện và tối ưu hóa chính sách lai thích ứng ... 3176 phần khác... 3 MemMamba: Suy nghĩ lại các mẫu bộ nhớ trong mô hình không gian trạng thái 4 UniVideo: Hiểu, tạo và chỉnh sửa video thống nhất 5 VideoCanvas: Hoàn thiện video thống nhất từ các bản vá không gian-thời gian tùy ý thông qua điều kiện theo ngữ cảnh 6 DreamOmni2: Chỉnh sửa và tạo dựa trên hướng dẫn đa phương thức 7 Từ cái gì đến tại sao: Một hệ thống đa tác nhân để suy luận điều kiện phản ứng hóa học dựa trên bằng chứng 8 Nhận thức siêu nhận thức tăng cường các mô hình suy luận: Học tăng cường tự căn chỉnh 9 Khi suy nghĩ gặp sự thật: Suy luận có thể tái sử dụng cho các mô hình ngôn ngữ lớn (LLM) ngữ cảnh dài 10 Các mã thông báo xác suất thấp duy trì khám phá trong học tăng cường với phần thưởng có thể kiểm chứng 11 Điệu nhảy căn chỉnh: Cùng nhau huấn luyện các tác nhân để hợp tác vì sự an toàn 12 Tối ưu hóa chính sách tương đối nhóm không cần huấn luyện 13 Tăng cường lai: Khi phần thưởng thưa thớt, dày đặc sẽ tốt hơn 14 NewtonBench: Đánh giá khám phá luật khoa học tổng quát trong các tác nhân LLM 15 ARTDECO: Hướng tới tái tạo 3D hiệu quả và độ trung thực cao tức thì với biểu diễn cảnh có cấu trúc 16 DeepPrune: Mở rộng song song mà không có sự dư thừa giữa các dấu vết 17 Lần thử đầu tiên rất quan trọng: Xem xét lại vai trò của sự phản ánh trong các mô hình suy luận 18 LLM học cách lừa dối một cách vô ý: Sự sai lệch xuất hiện trong sự không trung thực từ các mẫu sai lệch đến tương tác người-AI thiên vị 19 UniMMVSR: Một khung đa phương thức thống nhất cho siêu phân giải video xếp tầng 20 NaViL: Suy nghĩ lại các thuộc tính mở rộng của các mô hình ngôn ngữ lớn đa phương thức gốc dưới các ràng buộc dữ liệu 21 CoMAS: Các hệ thống đa tác nhân đồng tiến hóa thông qua phần thưởng tương tác 22 PickStyle: Chuyển đổi kiểu video sang video với bộ điều hợp kiểu ngữ cảnh 23 UNIDOC-BENCH: Một điểm chuẩn thống nhất cho RAG đa phương thức tập trung vào tài liệu 24 InstructX: Hướng tới chỉnh sửa hình ảnh thống nhất với hướng dẫn MLLM 25 LongRM: Tiết lộ và mở khóa ranh giới ngữ cảnh của mô hình hóa phần thưởng 26 Học trong công việc: Một tác nhân tự tiến hóa dựa trên kinh nghiệm cho các nhiệm vụ dài hạn 27 Tăng cường các mô hình khuếch tán bằng cách tối ưu hóa ưu tiên nhóm trực tiếp 28 Kiểm soát tạo video từ văn bản thành âm thanh thông qua điều kiện và tương tác phương thức nâng cao 29 Kích hoạt điều hòa Entropy: Tăng cường kiểm soát liên tục, các mô hình ngôn ngữ lớn và phân loại hình ảnh với kích hoạt là 30 Truy xuất và củng cố bộ nhớ trong các mô hình ngôn ngữ lớn thông qua các mã thông báo chức năng 31 Tái chế các điểm kiểm tra được huấn luyện trước: Tăng trưởng trực giao của hỗn hợp chuyên gia để huấn luyện trước mô hình ngôn ngữ lớn hiệu quả 32 GCPO: Khi độ tương phản thất bại, hãy chọn vàng 33 UP2You: Tái tạo nhanh chóng bản thân từ các bộ sưu tập ảnh không giới hạn 34 OmniRetarget: Tạo dữ liệu bảo toàn tương tác cho thao tác di chuyển toàn thân hình người và tương tác cảnh 35 DexNDM: Thu hẹp khoảng cách thực tế cho vòng quay khéo léo trong tay thông qua mô hình động lực học thần kinh theo khớp 36. A^2Search: Trả lời câu hỏi nhận biết sự mơ hồ bằng học tăng cường. 37. Học cách định tuyến các mô hình ngôn ngữ lớn (LLM) từ phản hồi Bandit: Một chính sách, nhiều sự đánh đổi. 38. Search-R3: Thống nhất suy luận và tạo nhúng trong các mô hình ngôn ngữ lớn. 39. R2RGEN: Tạo dữ liệu 3D từ thực tế sang thực tế để thao tác tổng quát hóa không gian. 40. Drive&Gen: Đồng đánh giá các mô hình lái xe đầu cuối và tạo video. 41. Vượt ra ngoài các giá trị ngoại lệ: Một nghiên cứu về các bộ tối ưu hóa dưới lượng tử hóa. 42. SViM3D: Khuếch tán vật liệu video ổn định để tạo 3D từ một hình ảnh. 43. GyroSwin: Các mô hình thay thế 5D cho mô phỏng nhiễu loạn plasma Gyrokinetic. 44. Hướng tới chỉnh sửa 3D có thể mở rộng và nhất quán. 45. Sử dụng mạng trực tuyến nếu có thể: Hướng tới học tăng cường nhanh và ổn định. 46. Thành phần dữ liệu nhận biết độ trung thực để tổng quát hóa robot mạnh mẽ. 47. SciVideoBench: Đánh giá suy luận video khoa học trong các mô hình đa phương thức lớn. 48. Khuếch tán quy mô lớn thông qua tính nhất quán thời gian liên tục được điều chỉnh theo điểm số. 49. Vượt qua giới hạn lượt: Huấn luyện các tác nhân tìm kiếm sâu với cửa sổ ngữ cảnh động. 50. OpenRubrics: Hướng tới tạo tiêu chí tổng hợp có thể mở rộng để mô hình hóa phần thưởng và căn chỉnh LLM. 51. Tư duy bằng camera: Một mô hình đa phương thức thống nhất để hiểu và tạo lấy camera làm trung tâm. 52. D2E: Mở rộng đào tạo trước thị giác-hành động trên dữ liệu máy tính để chuyển sang AI thể hiện. 53. TAG: Hướng dẫn khuếch đại tiếp tuyến để lấy mẫu khuếch tán chống ảo giác. 54. Tối ưu hóa lời nhắc đa phương thức: Tại sao không tận dụng nhiều phương thức cho MLLM. 55. AutoPR: Hãy tự động hóa việc thăng tiến học thuật của bạn! 56. R-Horizon: Mô hình suy luận lớn của bạn thực sự có thể đi xa đến đâu về chiều rộng và chiều sâu? 57. Webscale-RL: Quy trình dữ liệu tự động để mở rộng dữ liệu RL đến mức đào tạo trước. 58. SpaceVista: Suy luận không gian trực quan ở mọi quy mô từ mm đến km. 59. StreamingVLM: Hiểu biết thời gian thực cho các luồng video vô hạn. 60. Đừng lãng phí sai lầm: Tận dụng các nhóm RL tiêu cực thông qua việc điều chỉnh lại độ tin cậy. 61. ARES: Suy luận thích ứng đa phương thức thông qua định hình entropy cấp mã thông báo nhận biết độ khó. 62. KORMo: Mô hình suy luận mở tiếng Hàn cho mọi người. 63. DISCO: Đa dạng hóa cô đặc mẫu để đánh giá mô hình hiệu quả. 64. Kết nối suy luận với học tập: Làm sáng tỏ ảo ảnh bằng cách tổng quát hóa độ phức tạp ngoài phân phối. 65. Biến đổi Gaussian lũy tiến với Anisotr.