【杂谈】为什么你在有三AI看不到最新论文的解读，其实一直都有的
有許多朋友都問過我這個問題，有三兄為什么你不解讀最新的論文呢？今天來給大家說道說道。
最新的論文解讀當然是有的
其實最新的論文解讀一直都是有的，只是沒有放在公眾號。我們的內容生態分為：書+季劃+知識星球+直播+微信公眾號幾大塊，這里我將微信公眾號列在最后，是因為公眾號的生態是免費的，面向的也是所有基礎的人。
雖然我們的公眾號生態已經很大，一年能做到500篇文章，但這不是我們的全部內容。
公眾號大概有1/4的內容，星球大概有1/4的內容，剩下1/2的內容在書+季劃+直播中。
那么最新文章的解讀在哪里呢？答案是有三AI知識星球，比如下面是對近期導致LeCun退出Twitter的PULSE論文的分享解讀。
有三AI知識星球-網絡結構1000變
PULSE
PULSE(Photo Upsampling via Latent Space Exploration)是一個自監督的基于圖像生成的超分辨框架，可以實現高達64倍的超分辨。
作者/編輯 言有三
一般來說，超分辨就是從低分辨率圖LR到高分辨率圖HR的轉換，最簡單的就是插值法，復雜一些的就是使用網絡對像素進行學習補全，以MSE為優化目標的方法的缺陷主要在于結果會趨向平均，本質上是一系列高分辨率圖像進行加權平均的結果，因此比較模糊，這無法通過調整網絡結構解決，感知損失和GAN框架常被用于對結果進行改進，但仍然會使得重建結果不真實，缺乏細節。
PULSE方法則開辟了新的思路，它要找到一個解，使得從多幅高分辨率圖進行下采樣，可以得到同樣的低分辨率圖，如下圖。高分辨率圖則是通過生成網絡框架生成，比如StyleGAN生成的人臉。
從低分辨率圖到高分辨率圖的轉換是一個一對多的問題，本框架要解決的問題如下：
其中I是一個高分辨率的圖片集合，DS就是降采樣操作，上式的意義就是要找到一系列的I組成的集合Rε，使其降采樣后與真實的低分辨率圖像ILR最接近。
因此，PULSE的整個流程不是通過給低分辨率圖進行逐步上采樣，補充細節，而是遍歷生成的HR圖像，并將這些HR圖像對應的LR圖像與輸入圖原圖進行對比，其中最接近的就是解，這是和當前大部分超分辨框架的不同之處。
上圖是一個從原始空間到隱空間的示意圖，其中深色部分表示是一個比較自然的解區間，而以FSRNet，FSRGAN為代表的方法則不在這個解區間中。PULSE可以約束搜索空間在自然解組成的范圍，從而保證結果的真實性。
整個框架的優化目標被稱為下采樣目標，定義如下：
其中需要求得z滿足下式，其中z分布在一個高維歐式空間的球形區域內：
下圖展示了一些和其他方法的對比結果。
可以看出本方法的細節效果要好得多，下表展示的是主觀評測分數，可以看出PULSE方法效果已經逼近真實解。
下圖展示了不同失真下的恢復結果，可以看出模型的魯棒性非常好。
不過該方法僅會生成實際上不存在但看上去很真實的新面孔，因為真實面孔本身的信息就是缺失的，這是不可能恢復的，必然是一個答案不唯一的解，可以通過對生成框架進行不同的噪聲輸入擾動來獲取。
參考文獻
[1] Menon S, Damian A, Hu S, et al. PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models[J]. arXiv: Computer Vision and Pattern Recognition, 2020.
所有的文章解讀，都以知識卡片+論文的方式，在知識星球中進行分享，如下：
為什么選擇知識星球呢？有這么幾個原因。
(1) 知識星球可以每天無限發文，而公眾號只能發一次。
(2) 知識星球可以一起發圖片，PDF，代碼，并且隨時都可以更新。
(3) 知識星球是收費的。
所以這實現了自由的技術分享，并且可以讓有三獲得一些回報，內容全部在網絡結構1000變標簽中，有好幾百期內容。每一篇文章解讀都不是簡單的信息羅列，而是認真研讀過論文的精簡總結，選擇的也是比較具有價值的文章而不是水文。
如果你想跟讀相關內容，那就掃碼加入知識星球吧，一天不到一塊錢。
星球的內容是非常多的，了解詳細請閱讀文章：
【雜談】有三AI知識星球一周年了！為什么公眾號+星球才是完整的？
【雜談】萬萬沒想到，有三還有個保密的‘朋友圈’，那里面都在弄啥！
各個方向都有對應的知識卡片，且會一直更新。
更看重知識的完整性
大家也看了我們不少文章了，不知道有沒有注意到，我們的技術文章有幾個特點。
(1) 不做單篇文章解讀，而是會做總結性質的文章，里面必須擁有自己的思考，而不是對內容的簡單翻譯。
(2) 標題永遠不帶“xx機構，“xx大咖”，“xx會議”之類的字眼，我希望大家能夠專注于內容本身，而不是被這些外物過多吸引眼球。
所以，我們幾乎不會單獨就一篇文章來占用公眾號文章的發文資源。
關于論文閱讀
關于論文的閱讀和學習，雖然最新的研究往往有更好的結果，但對于還不熟悉該領域的同學來說，并不一定能夠駕馭，所以建議大家還是循序漸進首先儲備好相關知識，磨刀不誤砍柴工，這樣可能會更快。
所以，我們公眾號準備了論文閱讀板塊，專門針對各個方向，挑選其中值得讀的研究，如下：
【每周論文推薦】 初入深度學習CV領域必讀的幾篇文章
【每周CV論文推薦】 掌握殘差網絡必讀的10多篇文章
【每周CV論文推薦】 初學者必須精讀的5篇深度學習優化相關文章
【每周CV論文推薦】 CV領域中數據增強相關的論文推薦
【每周CV論文推薦】 初學高效率CNN模型設計應該讀的文章
【每周CV論文推薦】 初學目標檢測必須要讀的文章
【每周CV論文推薦】 初學深度學習圖像分割必須要讀的文章
【每周CV論文推薦】 初學GAN必須要讀的文章
【每周CV論文推薦】 深度學習人臉檢測入門必讀文章
【每周CV論文推薦】 初學深度學習人臉關鍵點檢測必讀文章
【每周CV論文推薦】 初學深度學習人臉識別和驗證必讀文章
【每周CV論文推薦】 初學深度學習人臉屬性分析必讀的文章
【每周CV論文推薦】 初學活體檢測與偽造人臉檢測必讀的文章
【每周CV論文推薦】 初學深度學習單張圖像三維人臉重建需要讀的文章
【每周CV論文推薦】 人臉識別剩下的難題：從遮擋，年齡，姿態，妝造到親屬關系，人臉攻擊
【每周CV論文推薦】換臉算法都有哪些經典的思路？
【每周CV論文】深度學習文本檢測與識別入門必讀文章
【每周CV論文】深度學習圖像降噪應該從閱讀哪些文章開始
往期相關
【星球知識卡片】殘差網絡家族10多個變種學習卡片，請收下！
【星球知識卡片】移動端高效率的分組網絡都發展到什么程度了？
【星球知識卡片】注意力機制發展如何了，如何學習它在各類任務中的應用？
【星球知識卡片】模型剪枝有哪些關鍵技術，如何對其進行長期深入學習
【星球知識卡片】模型量化的核心技術點有哪些，如何對其進行長期深入學習
【星球知識卡片】模型蒸餾的核心技術點有哪些，如何對其進行長期深入學習
【星球知識卡片】視頻分類與行為識別有哪些核心技術，對其進行長期深入學習
【星球知識卡片】圖像生成都有哪些核心技術，如何對其進行長期深入學習
【星球知識卡片】AutoML都有哪些核心技術，如何對其進行長期深入學習
總結
以上是生活随笔為你收集整理的【杂谈】为什么你在有三AI看不到最新论文的解读，其实一直都有的的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 【每周CV论文】深度学习图像降噪应该从阅
- 下一篇： 【星球知识卡片】人脸属性编辑都有哪些核心