今日 Paper | 依赖性解析器；DNNs对图像损坏；高效人脸特征学习；虚拟试穿统一框架等

使用神经网络的快速准确的依赖性解析器

论文名称：A Fast and Accurate Dependency Parser using Neural Networks

作者：Danqi Chen /Christopher D. Manning

发表时间：2014/10/25

论文链接：https://paper.yanxishe.com/review/9621

推荐原因

核心问题：这是一篇通过神经网络完成依存分析的开创性研究

创新点：这篇文章是陈丹琦关于依存句法分析的工作，这是使用深度学习基础的开创性研究，该成果实现了一个准确快速的依存句法分析器，从而解决了语义分析此前普遍存在的问题。

研究意义：这项研究作为开创性工作，之后很多的研究都是在此基础之上。

通过玩噪声游戏提高DNNs对图像损坏的鲁棒性

论文名称：Increasing the robustness of DNNs against image corruptions by playing the Game of Noise

作者：Rusak Evgenia /Schott Lukas /Zimmermann Roland /Bitterwolf Julian /Bringmann Oliver /Bethge Matthias /Brendel Wieland

发表时间：2020/1/16

论文链接：https://paper.yanxishe.com/review/9329

推荐原因

人类的视觉系统能够很好地处理各种自然发生的变化和干扰，而现代图像识别模型在遭遇这些未曾见过的干扰时，性能往往会大大降低。为了解决这个问题，这篇论文证明了一个简单但经过适当调优的加性高斯噪声和散斑噪声训练，就可以很好地将模型推广到看不见的图像干扰上，从而在ImageNet-C和MNIST-C数据集上达到最新的性能表现。基于这些结果，这篇论文认为在不相关的噪声分布上对识别模型进行对抗训练，可以进一步提高模型性能。

基于宽集合卷积神经网络的高效人脸特征学习

论文名称：Efficient Facial Feature Learning with Wide Ensemble-based Convolutional Neural Networks

作者：Siqueira Henrique /Magg Sven /Wermter Stefan

发表时间：2020/1/17

论文链接：https://paper.yanxishe.com/review/9328

推荐原因

这篇论文考虑的是人脸特征学习的问题。这篇论文提出了基于卷积网络的共享表示集成方法，并展示了其数据处理效率和对大规模面部表情数据集处理的可伸缩性。通过改变共享表示集成方法的分支级别可以显著减少冗余和计算负荷，而不损失多样性和泛化能力。在大规模数据集上进行的实验表明，这种集成方法可以减少AffectNet和FER+数据集上的残留泛化误差，以达到人类水平的性能。

SieveNet：一种健壮的基于图像的虚拟试穿统一框架

论文名称：SieveNet: A Unified Framework for Robust Image-Based Virtual Try-On

作者：Jandial Surgan /Chopra Ayush /Ayush Kumar /Hemani Mayur /Kumar Abhijeet /Krishnamurthy Balaji

发表时间：2020/1/17

论文链接：https://paper.yanxishe.com/review/9327

推荐原因

这篇论文考虑的是虚拟试穿问题。

现有的虚拟试穿方法在试穿输出中会出现伪影和失真。为了解决这些问题，这篇论文提出了一个名为SieveNet的鲁棒的基于图像的虚拟试穿框架。SieveNet首先引入一个多阶段从粗到细变形网络，以更好地建模细粒度复杂度，同时变换试穿布料，并以新颖的感知几何匹配损失对其进行训练。随后，在改进纹理转移网络前，SieveNet引入试穿的带条件的分割蒙版。最后，SieveNet引入用于训练纹理转换网络的竞争三元组损失策略，可进一步提高生成的试穿结果质量。这篇论文对SieveNet中每个组件进行了广泛的定性和定量评估，并显示了SieveNet相对于以往的方法有了显著的性能提升。

ICface: 使用GAN的可解读和可控制的人脸重演

论文名称：ICface: Interpretable and Controllable Face Reenactment Using GANs

作者：Tripathy Soumya /Kannala Juho /Rahtu Esa

发表时间：2019/4/3

论文链接：https://paper.yanxishe.com/review/9326

推荐原因

这篇论文提出了一种通用的面部动画设计器（ICface），可以控制给定面部图像的姿势和表情。ICface主要由一个两阶段的神经网络构成，利用大量的视频语料进行自监督训练得到。这篇论文将其提出的ICface在多个任务中与SOTA的面部动画设计技术进行了比较，实验结果表明，与大多数已有方法相比，ICface具有更好的视觉质量，同时具有更多的通用性。