SRVAE（用于实像超高分辨率的生成变分自动编码器） 致志，王立文，李卓德，玛丽·保妮·卡尼和萧婉琪 此仓库仅提供简单的测试代码，预训练的模型和网络策略演示。 我们提出了使用生成的变分自动编码器（dSRVAE）的联合图像去噪和超分辨率模型 我们参加CVPRW 请检查我们的 BibTex @InProceedings{Liu2020dsrvae, author = {Liu, Zhi-Song Siu, Wan-Chi and and Wang, Li-Wen and Li, Chu-Tak and Marie-Paule Cani and Yui-Lam Chan}, title = {Unsupervised Real Image Super-Resolution via Generative Variational AutoEncoder},

此仓库仅实现GhostNet的演示代码。 请移至以获取更多详细信息。 幽灵网 此存储库提供了CVPR 2020论文Pytorch演示实现。 带有预训练模型的TensorFlow / PyTorch实现可在。 要求 该代码已在Python3 PyTorch 1.0+上进行了验证。 用法 用法示例： import torch from ghost_net import ghost_net model = ghost_net(width_mult=1.0) input = torch.randn(32,3,224,224) y = model(input) print(y) GhostNet简介 GhostNet：廉价运营带来的更多功能。 CVPR2020。 韩开，王云和，田琦，郭建元，徐春景，徐昌。 方法 表现 GhostNet击败了其他SOTA轻量级CNN，例如MobileNetV

StarGAN v2-官方PyTorch实施 StarGAN v2：多个域的多样化图像合成*，* *，*，在CVPR 2020中。（*表示相等的贡献） 论文： : 视频： ： 摘要：良好的图像到图像转换模型应学习不同视觉域之间的映射，同时满足以下属性：1）生成图像的多样性和2）在多个域上的可伸缩性。 现有方法解决了其中一个问题，即对于所有域而言，其多样性有限或具有多个模型。 我们提出了StarGAN v2，这是一个可以同时解决这两个问题的框架，并且在基线之上显示出明显改善的结果。 在CelebA-HQ和新的动物面Kong数据集（AFHQ）上进行的实验验证了我们在视觉质量，多样性和可伸缩性方面的优越性。 为了更好地评估图像到图像的翻译模型，我们发布了AFHQ，具有较大域间和域内差异的高质量动物脸。 代码，预训练模型和数据集可在clovaai / stargan-v2中找到。 宣

Chalearn CeFA面对反欺骗挑战 这是我们在CVPR 2020上针对Chalearn单模式人脸防欺骗攻击检测挑战的解决方案的代码。 如果您在实验中使用此代码，请访问以下论文： : 我们的解决方案基于两种类型的人工变换：秩合并[1]和光流[2]，并在端到端流水线中组合以进行欺骗检测和序列增强，以丰富伪造轨道的集合。 参考 [1] Basura Fernando，Efstratios Gavves，Jose Oramas，AmirGhodrati和Tinne Tuytelaars。进行行动识别的排名汇总。TPAMI，39（4）：773–787，201 [2] C. Liu。 超越像素：探索运动分析的新表示形式和应用。 博士论文。 麻省理工学院，2009。 训练步骤 步骤1。 安装at_learner_core cd /path/to/new/pip/environment

AutoTrack论文以及代码

此资源整理和收集了2020年CVPR计算机视觉顶会发布的关于的目标检测等方面的论文，可供CV专业学生以及相关工作人员学习使用与参考。

CVPR2020共收录1470 篇论文，共2.6G

CVPR2020 论文(1),CVPR是IEEE Conference on Computer Vision and Pattern Recognition的缩写，即IEEE国际计算机视觉与模式识别会议。该会议是由IEEE举办的计算机视觉和模式识别领域的顶级会议。