- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI科技大本营的专栏
苹果发布 AI 生成模型 GAUDI，文字生成 3D 场景
近日，苹果 AI 团队发布最新 AI 模型 GAUDI，它是基于 3D 场景的神经架构 NeRFs，可以根据文字生成 3D 室内场景。 目前为止，NeRFs 主要用做 3D 模型和 3D 场景的一种神经存储介质，然后可以从不同的相机视角进行渲染。 2021 年末时，谷歌通过 Dream Fields 首次展示了 3D AI 生成系统，将 NeRF 生成 3D 视图的能力与 OpenAI 的 CLIP 评估图像内容的能力相结合。 Apple GAUDI 是 3D 内饰专家 虽然谷歌致力于使用 Dream Fields 生成单个对象，但将生成 AI 扩展到完全不受约束的 3D 场景仍是一个尚未解决的问题。 对于这个问题，GAUDI 模型的解决方案是：相机姿态解码器对可能的相机位置进行预测，并确保输出是 3D 场景架构的有效位置。
95820编辑于 2022-12-09 - 来自专栏DeepHub IMBA
使用PolyGen和PyTorch生成3D模型
3D技术中一个特别热门的子领域是3D模型的生成。创造性地组合3D模型，从图像快速生成3D模型，以及为其他机器学习应用程序和模拟创建综合数据，这只是3D模型生成的众多用例中的少数几个。 ? 它是一种通用算法，不会对3D模型的面或占用进行建模，因此无法仅使用PointNet来生成3D-R2N2采用的体素方法将我们都熟悉的2D卷积扩展到3D，并通过自然地从RGB图像生成水密网格。 PolyGen 架构 PolyGen通过将3D模型表示为顶点和面的严格有序序列，而不是图像，体素或点云，对模型生成任务采取了一种非常独特的方法。 这种严格的排序使他们能够将基于注意力的序列建模方法应用于生成3D网格，就像BERT或GPT模型对文本所做的一样。 PolyGen的总体目标是双重的：首先为3D模型生成一组可能的顶点（可能由图像，体素或类标签来限制），然后生成一系列的面，一个接一个地连接 顶点在一起，为该模型提供了一个合理的表面。
2K10发布于 2020-11-09 - 来自专栏最新医学影像技术
3D人体模型生成案例分享
Invesalius是专门应用于医学图像3D重建，输入数据必须是一个序列的2D的DICOM图像，可以是CT或者是MRI序列，输出的是3D表面轮廓，该工具就是为生成解剖学的物理模型而做准备的。 3、配置3D表面 3D表面配置可以设置透明度，直接默认值即可，然后下一步。 4、输出结果 直接输出立体图像和相应的3D表面轮廓结果。 ?
1.5K40发布于 2020-06-29 - 来自专栏Backup@zzk
生成模型&判别模型
#生成模型 #判别模型机器学习中的判别式模型和生成式模型目录：基本概念用例子说明概念判别式模型和生成式模型的区别二者所包含的算法在机器学习中，对于有监督学习可以将其分为两类模型：判别式模型和生成式模型。 则学习到的条件概率分布（判别式模型）如下：0 1 1 2/3 1/3 2 但是，生成式模型的概率分布可以有其他应用，就是说生成式模型更一般更普适。不过判别式模型更直接，更简单。两种方法目前交叉较多。由生成式模型可以得到判别式模型，但由判别式模型得不到生成式模型。3. 判别式模型和生成式模型的区别3.1 判别式模型和生成式模型的对比图图片上图左边为判别式模型而右边为生成式模型，可以很清晰地看到差别，判别式模型是在寻找一个决策边界，通过该边界来将样本划分到对应类别。 - politer的回答 - 知乎 https://www.zhihu.com/question/20446337/answer/256466823【3】生成式模型VS判别式模型浅析 - Old King
90100编辑于 2023-08-17 - 来自专栏AI学习笔记
3D生成模型加速：Mobile-3D-GPT架构解析
引言在3D生成模型领域，随着研究的不断深入，模型的复杂度和计算需求也在急剧增长。然而，在移动设备上实现高效、高质量的3D内容生成仍然是一个具有挑战性的问题。 传统的3D生成模型通常需要大量的计算能力和内存，这使得它们难以直接在移动设备上部署和运行。因此，研究如何优化3D生成模型，使其适应移动设备的硬件条件，成为了3D生成领域的一个重要课题。 模型参数优化图：高效的特征提取与融合在3D生成模型中，特征提取与融合是影响生成质量和效率的关键环节。Mobile-3D-GPT通过创新的特征提取和融合机制，提高了模型对3D数据的理解和生成能力。 这些模型以体素和点云格式提供，适合评估3D生成模型的性能。ModelNet40：包含12,311个来自40个常见类别的3D模型，主要用于3D模型分类和生成任务。 启发了后续大量生成模型的研究，包括3D生成模型。与Mobile-3D-GPT的关联：Mobile-3D-GPT的生成网络和判别网络基于GAN的框架进行设计。
43310编辑于 2025-07-11 - 来自专栏全栈程序员必看
生成模型_常见的模型生成方式
（一）生成模型简介 1、什么是生成模型 在概率统计理论中，生成模型是指能够在给定某些隐含参数的条件下，随机设工程观测数据的模型，他给观测值和标测数据序列指定一个联合概率分布，在机器学习中，生成模型可以用用来直接对数据进行建模 ，如根据某个变量的概率密度函数进行数据采样，也可以用来建立变量间的条件概率分布，条件概率分布可以由生成模型根据贝叶斯定理形成。 对于生成模型，可以分为两种类型， （1）可以完全表示出确切的分布函数 （2）第二种生成模型智能做到新数据的生成，二数据分布函数是模糊的。 生成模型的作用： （1）生成模型具有表现和处理高维概率分布的能力，而这种能力可以有效应用在数学或工程领域。 （2）与强化模型结合。 （3）通过提供生成数据，优化完善半监督学习。 生成模型： 自动编码器 变分自动编码器 发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/166893.html原文链接：https://javaforall.cn
99520编辑于 2022-09-19 - 来自专栏媒矿工厂
2D 扩散模型 + Nerf，实现文本生成 3D 模型
内容整理：王炅昊 本论文把近期发展火热的2D扩散模型和Nerf（神经辐射场）结合，提出DreamFusion，实现了从文字生成3D模型。 但是，如果想要将这种方法应用于 3D 生成（synthesis），需要对大规模的 3D 数据集进行标注并且在其上面训练，除此之外，还需对 3D 数据去噪的有效架构，但目前这两者都不存在。 在这项工作中，作者通过使用预训练的 2D 文本-图像的扩散模型，实现文本到 3D 合成。他们引入了基于概率密度蒸馏的损失函数，这也允许了2D扩散模型作为先验，用以优化参数图像生成器。 在该方法中，给定文本生成的 3D 模型可以从任意角度观察，通过任意照明重新点亮，或合成到任何 3D 环境中。 引入：扩散模型 扩散模型是隐变量生成模型，它学习将样本从易处理的噪声分布逐渐转换为数据分布的过程，他由一个正向过程 q 和一个反向过程或生成模型 p 组成。
3.1K20编辑于 2022-11-07 - 来自专栏机器学习AI算法工程
判别模型 和 生成模型
【摘要】 - 生成模型：无穷样本==》概率密度模型 = 产生模型==》预测 - 判别模型：有限样本==》判别函数 = 预测模型==》预测 【简介】 简单的说，假设o是观察值，q是模型 通过使用贝叶斯rule可以从生成模型中得到条件分布。 如果观察到的数据是完全由生成模型所生成的，那么就可以fitting生成模型的参数，从而仅可能的增加数据相似度。 但数据很少能由生成模型完全得到，所以比较准确的方式是直接对条件密度函数建模，即使用分类或回归分析。 与描述模型的不同是，描述模型中所有变量都是直接测量得到。 theoretic formulation Genomics and Bioinformatics Sequences represented as generative HMMs 【两者之间的关系】 由生成模型可以得到判别模型 ，但由判别模型得不到生成模型。
1.3K60发布于 2018-03-12 - 来自专栏智能生信
arXiv｜使用深度生成模型在3D空间上生成类药分子
因此，将分子的三维条件纳入深度生成模型是非常有必要的，但目前在这个方向上的探索相当有限，仍然存在许多问题需要解决。 引入3D信息的一种方法是将现有的基于SMILES的生成模型建立在3D数据上。 然而，这些模型输出的分子不包含3D信息，通常需要一个额外的优化步骤来将分子嵌入到3D空间。一种更理想的方法是直接生成三维坐标。 ； 3）该模型还需要输出每个原子的排名，这将在节点选择步骤中使用。 其次，由于相邻原子的位置是高度相关的，一起生成它们可以隐性地提高模型的性能。 图4：与(a)3D分子生成中的大多数自回归模型不同，模型方法(b)将所有连接到焦点原子上的原子作为一个群生成。 模型生成的分子为蓝色，测试集分子为灰色。 本文仅列出部分实验结果，详见原文。 四、总结 在这项工作中，作者引入了L-Net，一个新的深度生成3D类药分子的模型。
1.8K20发布于 2021-10-08 - 来自专栏浪浪山下那个村
生成模型和判别模型
生成方法和判别方法 监督学习方法又分生成方法（Generative approach）和判别方法（Discriminative approach），所学到的模型分别称为生成模型（Generative Model ）和判别模型（Discriminative Model） 判别方法 由数据直接学习决策函数 或者条件概率分布 作为预测的模型，即判别模型。 缺点是不能反映训练数据本身的特性 生成方法 由数据学习联合概率密度分布 ，然后求出条件概率分布 作为预测的模型，即生成模型： image.png 基本思想是首先建立样本的联合概率概率密度模型 这样的方法之所以成为生成方法，是因为模型表示了给定输入X产生输出Y的生成关系。用于随机生成的观察值建模，特别是在给定某些隐藏参数情况下。典型的生成模型有：朴素贝叶斯法、马尔科夫模型、高斯混合模型。 生成方法的特点: 从统计的角度表示数据的分布情况，能够反映同类数据本身的相似度; 生成方法还原出联合概率分布，而判别方法不能； 生成方法的学习收敛速度更快、即当样本容量增加的时候，学到的模型可以更快地收敛于真实模型
97130编辑于 2022-06-17 - 来自专栏人工智能LeadAI
判别模型和生成模型
正文共721个字，预计阅读时间3分钟。 判别模型和生成模型总结与对比： 判别模型(Discriminative Models) 生成模型(Generative Models) 特点 在有限样本条件下建立判别函数，寻找不同数据间的最优分类面， 要求已知样本无穷或尽可能的大 区别 估计条件概率分布P(y\x) 估计联合概率分布P(x,y) 联系 生成模型可得到判别模型 判别模型得不到生成模型 常见模型 ME、CRF、LR、SVM、Boosting 3.可用于多类对的学习和识别。4.简单、容易学习。 1.面向整体数据的分布。2.能够反映同类数据本身的相似度。3.模型可以通过增量学习得到。 黑盒操作：变量间的关系不可视 1.生成模型分类器需要产生的所有变量的联合概率，资源使用量大。2.分类性能不高，类别识别精度有限。3.学习和计算过程复杂。
79540发布于 2018-07-30 - 来自专栏YoungGy
判别模型和生成模型
监督学习方法分为生成方法和判别方法，学习到的模型分为生成模型和判别模型。 例子 对于简单的二分类问题 判别模型：学到一个好的分界线，直接把两类区分开 生成模型：学到两类各自的分布，当新的数据来的时候，看看属于哪个分布从而区分数据 判别模型与生成模型的对比 特点 判别模型 生成模型 )=P(X|Y)P(Y) 特点 反映异类差异；学习准确率更高；不需要数据分布的假设 反映同类的相似度；反映数据本身的特性；收敛更快，适合数据较小的情况 典型方法 逻辑回归、SVM 朴素贝叶斯、马尔科夫模型 、高斯混合模型
1.1K100发布于 2018-01-02 - 来自专栏Coggle数据科学
判别模型与生成模型
生成模型 生成方法由数据学习输入和输出联合概率分布 ? ，然后求出后验概率分布 ? 作为预测的模型，即生成模型。这里以朴素贝叶斯为例，我们要求的目标可以通过： ? ---- 判别模型与生成模型比较 判别模型： 优点： 1）仅需要有限的样本。节省计算资源，需要的样本数量也少于生成模型。 2）能清晰的分辨出多类或某一类与其他类之间的差异特征，准确率往往较生成模型高。 3）由于直接学习 ? 2）没有生成模型的优点。 3）黑盒操作: 变量间的关系不清楚，不可视。 2）生成模型收敛速度比较快，即当样本数量较多时，生成模型能更快地收敛于真实模型。 3）生成模型能够应付存在隐变量的情况，比如混合高斯模型就是含有隐变量的生成方法。
1.2K30发布于 2019-08-29 - 来自专栏NLP算法工程师之路
生成模型和判别模型
生成模型可以产生数据，判别模型只能根据数据做判断。 生成模型的指导思想是贝叶斯，判别模型的指导思想是频率学派 生成模型 生成模型（Generaive Model）一般以概率的方式描述了数据的产生方式，通过对模型采样就可以产生数据。 一个简单例子：给定平面上一系列点，我可以认为这些点是根据一个二维高斯分布产生的，这就是一个生成模型，它可以产生数据。 判别模型 判别模型（Discriminative Model）对数据之间的映射关系建模，而不考虑数据本身是如何生成的。 ） 变分自动编码器 生成对抗性网络 判别模型 k-最近邻算法 逻辑回归 支持向量机 最大熵马尔可夫模型 条件随机场 神经网络
1.3K10发布于 2019-12-18 - 来自专栏数据科学和人工智能
深度生成模型
本次课将首先介绍生成模型的概念以及适用场景。进一步讲解基于能量的模型，包括受限玻尔兹曼机（RBM）和深度玻尔兹曼机等。它们既是早期的神经网络模型，也是经典的生成模型。 http://mpvideo.qpic.cn/0bf2r4aaaaaateahex3jnvpfbd6dachqaaaa.f10002.mp4? =0&mmversion=false 1 生成模型 2 基于能量的模型：玻尔兹曼机 3 变分自编码器 4 生成对抗网络（GAN） 1 生成模型介绍 下图展示了生成模型的分类。 在上图中，相当于给定第3层，即将隐层定为 ，然后可以采样 ；给定 ，可以采样 ；给定 就能采样手写数字的图像数据。在黑白图像中生成效果是不错的。 在学术界，关于生成模型的评价方式其实也比较不一致。什么是一个好的生成式模型？这是个很大的问题。现在是用极大似然函数来比较模型到底做的好不好。
1.3K10编辑于 2022-03-31 - 来自专栏ATYUN订阅号
亚马逊的AutoGluon只需3行代码即可生成AI模型
通常，像超参数调优这样的任务是手动执行的，这要求科学家预测超参数，以表示在构建人工智能模型时所做的选择，将如何影响模型训练。 还有诸如神经架构搜索这种人工监督任务，更是需要复杂的工程，开发人员必须为他们各自的模型确定最佳设计，耗时又耗力。 AutoGluon可以通过在默认范围内自动调优已知给定任务，执行良好的选项，从而生成最少三行代码的模型。 开发人员只需指定何时准备好训练好的模型，作为响应，AutoGluon就会利用可用的计算资源在分配的运行时中，找到最强的模型。 ? AutoGluon可以立即识别用于表格预测、图像和文本分类以及对象检测的模型，并且它提供了一个API，有经验的开发人员可以利用它来进一步提高模型的预测性能。
74410发布于 2020-02-12 - 来自专栏J博士的博客
概率生成模型
对于一个分类问题，首先要有数据，然后需要找到一个模型f，定义loss function，最后找到表现最好的f的参数。 从概率上讲，分类问题其实就是根据训练数据估计新的数据属于哪一类的概率。 在讲概率生成模型前需要介绍高斯分布函数。 ? 输入是特征向量x，输出是x的概率，高斯函数的形状由均值和协方差矩阵决定。 ? ? 如何找高斯分布模型呢？——使用极大似然估计的方法。 ? ? 得到模型后就可以做分类了。 ? 可以设定阈值，比如大于0.5就属于某一类。 ? 因此需要改进模型，即两个高斯分布共享协方差矩阵，这样模型的参数就更少了。 ? ? 改正后的模型准确率提高到74%，有意思的是分类边界变成线性的了。 ? 可能最开始你就有疑问为什么要假定是高斯分布？ 在概率模型中通过计算均值、协方差矩阵等来得到模型参数， 所以直接从训练数据中得到线性模型的参数不更好吗？ ?
81430发布于 2020-03-12 - 来自专栏相约机器人
gDNA：一种 3D 穿衣人体生成模型
连续且与分辨率无关的神经 3D 表示推动了 3D 刚体生成建模的最新进展。由于衣服的复杂相互作用、它们的拓扑结构和姿势驱动的变形，为穿着衣服的人建模是一项具有挑战性的任务。 通过学习个人的生成模型，马克斯普朗克智能系统研究所的研究人员希望使 3D 人类化身广泛可用。 这是通过包含一个潜在空间来实现的，用于有条件地生成穿着衣服的人体形状和蒙皮重量。 该团队演示了第一种方法，该方法可以在姿势控制下生成各种 3D 衣服人体形状，并在姿势控制下仅使用姿势扫描。 学习到的蒙皮权重可用于重新定位生成的样本。研究人员对 gDNA 进行了广泛测试，发现它的性能明显优于基线。gDNA 可用于拟合和重新激活 3D 图像，优于当前最先进的 (SOTA) 模型。 结论 马克斯普朗克智能系统研究所的研究人员开发了 gDNA，这是一种 3D 穿衣人体生成模型，可以生成具有精确皱纹和明确姿势控制的各种穿衣人。
1.2K20编辑于 2022-06-07 - 来自专栏我爱计算机视觉
3D生成模型同台竞技，魁首究竟花落谁家！
近两年，得益于Diffusion模型在2D领域取得的巨大成功以及Objaverse系列大规模3D数据集的开源，3D物体生成领域已经进入迅速发展阶段，3D生成模型数量激增。 同时，为了给社区提供一些直觉上的启发，我们推出3DGen-Arena，一个公开、匿名的评测平台，集成了目前流行的19个开源3D生成模型（包括9个文生3D模型和13个图生3D模型，详情参看下图）。 因此，我们划分为了以下5个独立的维度，进行多维度、全方位的评估，并沿用两两比较的方式，为所有参与的模型确定排名顺序。 几何合理性：一个优秀的3D生成模型需要具备广泛且合理的3D几何先验知识。 考虑到部分文生3D模型漫长的训练时长，以及我们复杂的数据后处理，目前3DGen-Arena暂不支持开放式输入的在线生成。 3D生成领域是3D视觉领域的重要分支，无论是在学界还是业界，都有着广泛的应用前景和发展潜力。面对生成模型的不断推陈出新，一个全面、有效、鲁棒的评价体系是迫切需要的。
28310编辑于 2024-05-22 - 来自专栏bug收集
代码生成器3-控制层与模型层
背景： 写后台管理系统，涉及大量的增，删除，改，查；而且使用分层开发文件太多，就想到能不能把基本的代码，通过一个代码生成器来生成，从而节约开发时间; （使用语言nodejs） tpl 文件夹： 关于控制层与模型层的模板 model 文件与 controller 文件 步骤如下： 获取用户提供的表名 根据表名，获取对应的列名 3. 根据对应列名，生成tpl文件需要的参数 4. getColumns(global.database,t_name).then(function (data) { //此处的data就是获取的列名集合 } getColumns 从模型层中引用 resolve(data); }).catch(function(err){ reject(err); }); }); } 3.
61210编辑于 2022-07-22
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号