2. 程式人生 > 實用技巧 >PEPSI++: Fast and Lightweight Network for Image Inpainting | 簡記

PEPSI++: Fast and Lightweight Network for Image Inpainting | 簡記

阿新 • • 發佈：2020-10-13

PEPSI : Fast Image Inpainting with Parallel Decoding Network

一篇不錯的筆記

該論文側重講解 ：PEPSI 網路設計 | CAM | 判別器 等 改進；

結構：

1

PEPSI++: Fast and Lightweight Network for Image Inpainting

結構：
2
對比分析：
3

總結：

這篇文章：主要介紹 PEPSI 網路 本身 以及 各個子模組改進點 和 具體改進分析；
1: PEPSI 網路本身結構的改進： 編碼器共享、粗路徑和精細路徑 部分引數共享，聯合訓練編碼器： 使得編碼器得到的編碼 適用於 粗路徑 和 精細路徑；

2：CAM(注意力模組中：使用歐氏距離替換 cosine similarity) ：截距設計的 歐氏距離 不僅考慮到 向量夾角，並且考慮到 大小（重要性）
3：Region Ensemble Discriminator(RED-區域組合鑑別器)：can handle the various hole regions that may appear anywhere in images of any sizes.
4：本文重點——提出的 Diet-PEPSI units (DPU) 相比 dilated convolutional 有效 減少 網路引數；並且能夠保持模型 效能

感覺文章很好，暫無原始碼

相關推薦

PEPSI++: Fast and Lightweight Network for Image Inpainting | 簡記

PEPSI : Fast Image Inpainting with Parallel Decoding Network 一篇不錯的筆記 該論文側重講解 ：PEPSI 網路設計 | CAM | 判別器 等 改進；

FFDNet: Toward a Fast and Flexible Solution for CNN-Based Image Denoising

論文來源：FFDNet: Toward a Fast and Flexible Solution for CNN-Based Image Denoising 筆記參考：論文閱讀：FFDNet

【ARXIV2104】Attention in Attention Network for Image Super-Resolution

程式碼地址：https://github.com/haoyuc/A2N 1、Motivation 注意力機制在超解析度領域應用較多，作者提出兩個問題：

【論文筆記】LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation

本文提出了一種輕型但是有效的GCN網路用於推薦系統，它捨棄了傳統GCN的特徵變換和非線性啟用，並通過實驗驗證了這兩種操作對協同過濾是無效的，同時提出了一種輕量級的GCN網路構建模型（LightGCN）用於推薦

閱讀筆記 Modality-specific and shared generative adversarial network for cross-modal retrieval

這一篇論文講的是使用多模態來進行圖片的檢索， 通過文字檢索出最好的圖片，模型結構如下：

視訊超分：FSTRN（Fast Spatio-Temporal Residual Network for Video Super-Resolution）

論文：視訊超分的快速時空殘差網路 文章檢索出處： 2019 CVPR 讀後感：模型單看架構圖就能瞭解七八，語言不夠精簡。唯一亮點為模型可行性分析部分，但是稍顯難懂晦澀。

【TIP2021】A Progressive Coupled Network for Real-Time Image Deraining

Rain-Free and Residue Hand-in-Hand: A Progressive Coupled Network for Real-Time Image Deraining, TIP 2021

LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation閱讀筆記

動機 本文是2020年SIGIR的一篇文章。最近圖卷積網路（GCN）在協同過濾推薦中大放異彩，但是卻很少有工作探究其為什麼在協同過濾推薦系統中有效，缺乏較為完善的消融實驗，在本文中，作者通過一系列消融實驗發現GCN中

論文翻譯：2021_論文翻譯：2018_F-T-LSTM based Complex Network for Joint Acoustic Echo Cancellation and Speech Enhancement

論文地址：https://arxiv.53yu.com/abs/2106.07577 基於 F-T-LSTM 複雜網路的聯合聲學回聲消除和語音增強

Fauce：Fast and Accurate Deep Ensembles with Uncertainty for Cardinality Estimation 論文解讀（VLDB 2021）

Fauce：Fast and Accurate Deep Ensembles with Uncertainty for Cardinality Estimation 論文解讀（VLDB 2021）

Maglev : A Fast and Reliable Software Network Load Balancer (using Consistent Hashing)

  轉自：https://www.evanlin.com/maglev/     2016 年 6 月 2 日 前言（為什麼想讀這一篇論文）

《T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction》 論文解讀

論文連結：https://arxiv.org/abs/1811.05320 最近發現部落格好像會被CSDN和一些奇怪的野雞網站爬下來？看見有人跟爬蟲機器人單方面討論問題我也蠻無奈的。總之原作者Missouter，部落格連結https://www.cnblogs.com/

Create the smallest and secured golang docker image based on scratch

Create the smallest and secured golang docker image based onscratch 原文：https://medium.com/@chemidy/create-the-smallest-and-secured-golang-docker-image-based-on-scratch-475

目標檢測論文筆記一：RefineDet《Single-Shot Refinement Neural Network for Object Detection》

摘要：作者提出了一種網路結構RefineDet，既能取得比二階段目標檢檢測演算法更高的精度，也能保持與一階段目標檢測演算法相當的效率。網路主要由ARM、ODM和TCB三個模組組成，，並且應用多工損失函式來完成網

[CVPR 2020] 3DRegNet: A Deep Neural Network for 3D Point Registration

零、概要 論文: 3DRegNet: A Deep Neural Network for 3D Point Registrationtag: CVPR 2020; Registration程式碼: https://github.com/3DVisionISR/3DRegNet作者: G. Dias Pais, Srikumar Ramalingam, Ven

DDGCN: A Dynamic Directed Graph Convolutional Network for Action Recognition

Introduction 作者認為解決如下兩個問題能有效增強GCN在動作識別中的能力： 1.在人類骨骼的不同部位中有著時空關聯性，但這些關聯性是動態的，而且在時空域中不同的動作關聯性也是不同的。因此提取這些關聯

論文閱讀筆記：《SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation》

論文閱讀筆記：《SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation》

Ray - Fast and Simple Distributed Computing

Ray https://ray.io/ https://github.com/ray-project/ray （1）機器學習生態基於python語言，但是python具有全域性直譯器鎖缺點，限制了對單臺機器的多核的利用

Deep Residual Learning for Image Recognition 筆記

轉載於部落格 http://blog.csdn.net/cv_family_z/article/details/50328175 http://blog.csdn.net/u014114990/article/details/50505331

Relation-Shape Convolutional Neural Network for Point Cloud Analysis 論文解讀

Abstract 1.點雲不規則點所表示的形狀是很難分析的，本文將規則的卷積操作應用了不規則的點雲分析上，稱為Relation-Shape Convolutional Neural Network，主要是為了學習點和點之間的幾何拓撲限制。