【碼上一課】該專欄於每日不定時更新，更新內容主要為人工智能與深度學習領域的論文開源源代碼，歡迎大家關注訂閱小編，讓知識分享於你我他之間！
CVPR 2018回顧，第一部分
在第一部分中，我們專注於生成模型，即機器學習模型不僅可以在照片上區分貓狗，但也可以產生貓和狗的新圖像。 對於計算機視覺最成功的一類生成模型是生成性的對抗性網絡（GAN），其中有一個單獨的鑑別器網絡學會區分生成的對象和真實對象，以及生成器學會愚弄鑑別器。 接下來直接進入正文！
Finding Tiny Faces in the Wild
Bai et al., Finding Tiny Faces in the Wild with Generative Adversarial Network
作者使用GAN來檢測和放大非常小的面孔大人群的照片。 即使只是檢測小臉也是在常規面部檢測器通常都無法解決的問題。 在這裡作者提出了一個端到端特徵提取面部然後應用生成模型將它升級到4倍（稱為超分辨率的過程）。
PairedCycleGAN for Makeup
H. Chang et al., PairedCycleGAN: Asymmetric Style Transfer for Applying
and Removing Makeup
在這項工作中，來自普林斯頓，伯克利和Adobe的研究人員提出了一個框架用於化妝修改照片。 這項工作的一個有趣的部分是作者為不同的面部訓練單獨的生成器成分（眼睛，嘴唇，皮膚），分別塗抹，提取具有不同網絡的面部組件：
Image Inpainting: Fill in the Blanks
Yu et al., Generative Image Inpainting with Contextual Attention
這項工作來自Adobe Research和伊利諾伊大學厄巴納分校，尚佩恩致力於解決這個非常具有挑戰性的問題圖像上的空白。 通常，修復需要理解底層場景：在圖片的右上角上面，你必須知道一張臉是什麼樣的，臉是什麼樣的可能是我們看到的頭髮和脖子。 在這項工作中，作者提出一種基於GAN的方法，可以明確地使用從周圍的圖像功能，以改善生成的結果。
閱讀更多 深度學習思考者 的文章
