2015-2017ECCV，ICCV，CVPR神经网络论文，主要在去模糊，图像复原方面

Monodepth2 这是参考PyTorch实施，使用以下方法描述的方法来训练和测试深度估计模型 挖掘自我监督的单眼深度预测 ， ，和 此代码仅供非商业使用； 请参阅中的条款。 如果您发现我们的工作对您的研究有用，请考虑引用我们的论文： @article{monodepth2, title = {Digging into Self-Supervised Monocular Depth Prediction}, author = {Cl{\'{e}}ment Godard and Oisin {Mac Aodha} and

使用图像到图像的翻译进行无限制的面部几何重构-官方PyTorch实施 使用图像到图像转换的无限制面部几何重构的评估代码。终于移植到PyTorch！ 最近更新 2020.10.27 ：添加了STL支持 2020.05.07 ：添加了车轮包装！ 2020.05.06 ：添加了版本以用于模型的快速测试 2020.04.30 ：pyTorch初始版本 此版本中有什么内容？ 由三部分组成 一个网络执行图像到深度+在合成人脸数据上训练的对应图 一种非刚性ICP方案，用于将输出图转换为完整的3D网格 从阴影到形状的方案，用于添加精细的介观细节 这个仓库目前包含我们的图像到图像网络，其中包含权重和PyTorch模型以及一个简单的python后处理方案。 已发布的网络经过了合成图像和未标记真实图像的组合训练，以增强鲁棒性：) 安装 从PyPi安装 $ pip install pix2vertex

注意图像字幕注意 该存储库包括“的实现。 要求 Python 3.6 Java 1.8.0 PyTorch 1.0 苹果酒（已经添加为子模块） coco-caption（已经添加为子模块） 张量板 培训AoANet 准备数据 请参阅data/README.md详细信息。 （注释：设置word_count_threshold在scripts/prepro_labels.py至4，以产生大小10369的词汇表。） 您还应该预处理数据集并获取缓存以计算苹果酒得分： $ python scripts/prepro_ngrams.py --input_json data/dataset_coco.json --dict_json data/cocotalk.json --output_pkl data/coco-train --split train 开始训练 $ CUDA_VISIB

SA-LSTM 该项目试图实施在“通过来提出的SA-LSTM [1]， ICCV 2015 。 环境 Ubuntu 16.04 CUDA 9.0 cuDNN 7.3.1 英伟达Geforce GTX Titan Xp 12GB 要求 Java 8 Python 2.7.12 PyTorch 1.0 Requirements.txt中指定的其他python库 如何使用 步骤1.设置python虚拟环境 $ virtualenv .env $ source .env/bin/activate (.env) $ pip install --upgrade pip (.env) $ pip install -r requirements.txt 步骤2.准备数据 从要使用的网络中提取功能，并将其定位在//features/<DATASET

USSS_ICCV19 ICCV 2019接受通用半监督语义分割代码。 全文见 。 要求 Python> = 2.6 PyTorch> = 1.0.0 ImageNet预训练的模型是从的存储库下载的。 数据集 城市景观： ： IDD： ： 怎么跑 python segment.py --basedir --lr 0.001 --num-epochs 200 --batch-size 8 --savedir --datasets [ ..] --num-samples --alpha 0 --beta 0 --resnet --model drnet 致谢 大量代码是从Dilated Residual Networks（ ）和IDD Dataset（ ）的官方代码版本中大量借用的。

iccv7avrV7.22破解版，安装后直接破解

包含word和latex版本

视觉问题回答的关系感知图注意力网络 该存储库是的。 该存储库基于@ hengyuan-hu的和@ Jin-Hwa Kim的，并受其启发。 我们衷心感谢您分享代码。 先决条件 您可能需要一台具有4个GPU（每个GPU具有16GB内存）的计算机，以及用于Python 3的PyTorch v1.0.1。 使用CUDA10.0和Python 3.7安装 。 安装 。 安装 。 如果您使用的是miniconda，则可以使用tools/environment.yml安装所有必备组件。 数据 我们的实现使用了的预训练功能，每个图像具有10-100个自适应功能。 除此之外，还有GloVe载体和Visual Genome问题答案对。 为了方便起见，以下脚本可帮助您下载预处理的数据。 source tools/download.sh 除了数据之外，此脚本还下载了一些预训练的模型。 最后，应按如下

ColorHandPose3D网络 ColorHandPose3D是一个卷积神经网络，可从单个RGB图像估计3D手势。 有关使用的数据集和其他信息，请参见。 用法：向前通过 该网络附带一个最小的示例，该示例执行正向传递并显示预测。 下载并将其解压缩到项目的根文件夹（这将创建3个文件夹：“ data”，“ results”和“ weights”） run.py-将在提供的示例上对网络进行正向传递 您可以将结果与“结果”文件夹的内容进行比较，该文件夹显示我们在系统上获得的预测。 推荐系统 推荐系统（经测试）： Ubuntu 16.04.2（xenial） 使用CUDA 8.0.44和CU