神經網路 Archives - AI書籤-全球ai人工智慧產品和服務

CoreNet：CoreNet 是一個用於訓練深度神經網路的庫

CoreNet 是一個深度神經網路工具包，使研究人員和工程師能夠訓練標準和新穎的小型和大型規模模型，用於各種任務，包括基礎模型（例如 CLIP 和 LLM）、對象分類、對象偵測和語義分割。

InstructIR：高質量影象修復，根據人類指示進行最佳化

InstructIR 接受影象和人類書寫的指令作為輸入，透過單一神經模型執行一體化影象修復。在多個修復任務中取得了最先進的結果，包括影象去噪、去雨、去模糊、去霧以及低光影象增強等。? 您可以從演示教程開始。檢視我們的 GitHub 獲取更多資訊。

免責宣告：請注意，這不是一個產品，因此您會注意到一些限制。此演示需要輸入具有某些降級的影象（模糊、噪音、雨、低光、霧）和一個提示，請求應該執行什麼操作。由於 GPU 記憶體限制，如果輸入高解析度影象（2K、4K），應用可能會崩潰。
該模型主要使用合成資料進行訓練，因此在真實世界複雜影象上可能效果不佳。然而，在真實世界的霧天和低光影象上效果出奇地好。您還可以嘗試一般的影象增強提示（例如，“潤色此影象”，“增強顏色”）並檢視它如何改善顏色。

InfraVisN AI：AI模型開發與部署

神經網路

Visnet是一個全面的、無頭的、多相容的神經網路介面框架，主要用於自然語言處理和深度視覺系統。它具有模組化的前端、無伺服器架構和多相容性，並提供了REST API和Websocket介面。它包含了多個核心AI模型，如翻譯、車牌識別和人臉特徵匹配等。Visnet可廣泛應用於監控、無人機檢測、影象和影片分析等領域。

Learning Universal Predictors：強大的通用預測學習

元學習, 神經網路

通用預測學習器是一種利用元學習的強大方法，能夠快速從有限資料中學習新任務。透過廣泛接觸不同的任務，可以獲得通用的表示，從而實現通用問題解決。本產品探索了將最強大的通用預測器——Solomonoff歸納（SI）——透過元學習的方式進行攤銷的潛力。我們利用通用圖靈機（UTM）生成訓練資料，讓網路接觸到廣泛的模式。我們提供了UTM資料生成過程和元訓練協議的理論分析。我們使用不同複雜度和普適性的演演算法資料生成器對神經架構（如LSTM、Transformer）進行了全面的實驗。我們的結果表明，UTM資料是元學習的寶貴資源，可以用來訓練能夠學習通用預測策略的神經網路。

BakedAvatar：使用單眼影片記錄產生實時4D頭像合成的神經網路方法

神經網路, 頭像合成

BakedAvatar是一種用於實時神經頭像合成的全新表示，可部署在標準多邊形光柵化流水線中。該方法從學習到的頭部等值面提取可變形的多層網格，並計算可烘焙到靜態紋理中的表情、姿勢和視角相關外觀，從而為實時4D頭像合成提供支援。我們提出了一個三階段的神經頭像合成流水線，包括學習連續變形、流形和輻射場，提取分層網格和紋理，以及透過微分光柵化來微調紋理細節。實驗結果表明，我們的表示產生了與其他最先進方法相當的綜合結果，並顯著減少了所需的推理時間。我們進一步展示了從單眼影片中產生的各種頭像合成結果，包括檢視合成、面部重現、表情編輯和姿勢編輯，所有這些都以互動式幀率進行。