2018年的這一次論文復現(xiàn)活動芝囤，我們收獲了5份高質(zhì)量作品次洼，在假期即將到來之際关贵，和大家一起重溫。
2019年卖毁，我們將繼續(xù)鼓勵開發(fā)者們復現(xiàn)經(jīng)典論文揖曾，促進AI行業(yè)的良性循環(huán)。
論文復現(xiàn)文章鏈接及簡介：
PyraNet(2篇)
經(jīng)典論文復現(xiàn)|手把手帶你復現(xiàn)ICCV 2017經(jīng)典論文—PyraNet
經(jīng)典論文復現(xiàn) | PyraNet：基于特征金字塔網(wǎng)絡(luò)的人體姿態(tài)估計
Learning Feature Pyramids for Human Pose Estimation?是發(fā)表在 ICCV 2017 的工作势篡，論文提出了一個新的特征金字塔模塊翩肌，在卷積網(wǎng)絡(luò)中學習特征金字塔，并修正了現(xiàn)有的網(wǎng)絡(luò)參數(shù)初始方法禁悠，在人體姿態(tài)估計和圖像分類中都取得了很好的效果念祭。
[鏈接]
經(jīng)典論文復現(xiàn)|手把手帶你復現(xiàn)ICCV 2017經(jīng)典論文—PyraNet
作者丨Dicint
學校丨北京信息科技大學
研究方向丨分割、推薦
經(jīng)典論文復現(xiàn) | PyraNet：基于特征金字塔網(wǎng)絡(luò)的人體姿態(tài)估計
作者丨黃澤宇
學校丨深圳大學
研究方向丨計算機圖形學碍侦、深度學習
圖像超分辨率重建
經(jīng)典論文復現(xiàn) | 基于深度學習的圖像超分辨率重建
單圖像超分辨率重構(gòu)（SR）可以從一張較小的圖像生成一張高分辨率的圖像粱坤。顯然，這種恢復的結(jié)果是不唯一的瓷产≌拘可以這樣直觀地理解：遠遠看到一個模糊的身影，看不清臉濒旦，既可以認為對面走來的是個男生株旷，也可以認為這是個女生。那么尔邓，當我想象對面人的長相時晾剖，會如何腦補呢？
這就依賴于我們的先驗知識梯嗽。假如我認為齿尽，一個穿著裙子的人肯定是個女生，而對面那個人穿著裙子灯节，所以我認為那是個女生循头，腦補了一張女神臉绵估。然而，如果我知道穿裙子的人不一定是女生卡骂，還可能是女裝大佬国裳。迎面走來那個人瘦瘦高高，所以我認為十有八九是個男孩子全跨，就會腦補一個……
也就是說躏救，不同的先驗知識，會指向不同的結(jié)果螟蒸。我們的任務(wù)盒使，就是學習這些先驗知識。目前效果最好的辦法都是基于樣本的（example-based）七嫌。
[鏈接]
經(jīng)典論文復現(xiàn) | 基于深度學習的圖像超分辨率重建
作者丨Molly
學校丨北京航天航空大學
研究方向丨計算機視覺
LSGAN
經(jīng)典論文復現(xiàn) | LSGAN：最小二乘生成對抗網(wǎng)絡(luò)
近幾年來 GAN 是十分火熱的少办，由 Goodfellow 在 14 年發(fā)表論文Generative Adversarial Nets[1]?開山之作以來，生成式對抗網(wǎng)絡(luò)一直都備受機器學習領(lǐng)域的關(guān)注诵原，這種兩人零和博弈的思想十分有趣英妓，充分體現(xiàn)了數(shù)學的美感。從 GAN 到WGAN[2]?的優(yōu)化绍赛，再到本文介紹的 LSGANs蔓纠，再到最近很火的BigGAN?[3]，可以說生成式對抗網(wǎng)絡(luò)的魅力無窮吗蚌，而且它的用處也是非常奇妙腿倚，如今還被用在例如無負樣本的情況下如何訓練分類器，例如AnoGAN?[4]蚯妇。
LSGANs 這篇經(jīng)典的論文主要工作是把交叉熵損失函數(shù)換做了最小二乘損失函數(shù)敷燎，這樣做作者認為改善了傳統(tǒng) GAN 的兩個問題，即傳統(tǒng) GAN 生成的圖片質(zhì)量不高箩言，而且訓練過程十分不穩(wěn)定硬贯。
[鏈接]
經(jīng)典論文復現(xiàn) | LSGAN：最小二乘生成對抗網(wǎng)絡(luò)
作者丨文永亮
學校丨華南理工大學
研究方向丨目標檢測、圖像生成
InfoGAN?
經(jīng)典論文復現(xiàn) | InfoGAN：一種無監(jiān)督生成方法
生成對抗網(wǎng)絡(luò)（Generative Adversarial Nets）是一類新興的生成模型陨收，由兩部分組成：一部分是判別模型（discriminator）D(·)饭豹，用來判別輸入數(shù)據(jù)是真實數(shù)據(jù)還是生成出來的數(shù)據(jù)；另一部分是是生成模型（generator）G(·)务漩，由輸入的噪聲生成目標數(shù)據(jù)拄衰。
然而當我們遇到存在潛在的類別差別而沒有標簽數(shù)據(jù)，要使 GAN 能夠在這類數(shù)據(jù)上擁有更好表現(xiàn)菲饼，我們就需要一類能夠無監(jiān)督地辨別出這類潛在標簽的數(shù)據(jù)肾砂，InfoGAN 就給出了一個較好的解決方案列赎。
[鏈接]
經(jīng)典論文復現(xiàn) | InfoGAN：一種無監(jiān)督生成方法
作者丨黃濤?
學校丨中山大學數(shù)學學院18級本科生
研究方向丨圖像識別宏悦、VQA镐确、生成模型和自編碼器
