文章地址本文介绍了 BN 在很深的 Resnet 中起到的作用：通过正则化使得网络最大训练深度增加。同时提出了一个替代 BN 的方法。BN 在 Deep Resnet 中作用一个朴素的 CNN 如果太多层，就很难训练的动。Resnet 通过 shortcut 使得梯度更轻松的传播，在这里 BN 发挥了很大的作用：BN 限制了每次 Conv 后 feature map 的大小。有了 BN 和 sho
文章地址本文贡献：发布低光照光场图片数据集：Low-Light Light Field (L3F)。提出了一种新的网络 L3Fnet 解决光场图片的低光恢复任务。Low-Light Light Field Dataset光场相机没有遥控快门，所以就很原始的固定机位手动按快门拍摄，像素会不可避免的对不齐。数据集采集方法是：在傍晚同一场景下，使用正常曝光，$1/20$ 的正常曝光，$1/50$ 的正常
文章地址在以往的知识蒸馏中，我们要求 teacher 和 student 的 feature 或者 logits 直接数值上的靠近。但是由于 teacher 和 student 网络的差异，直接使用数值上的靠近可能对 student 比较困难。Method本文提出的方法是，蒸馏 teacher 和 student 之间 feature 的分布，而忽略数值上的一一对应，从而具有更好的灵活性。RKD
旷视最近开源了深度学习框架 MegEngine。众所周知，MegDL 一直是贵司的核心技术（大坑）。快速高效，安全可控，灵活定制一直是 MegDL 的核心。老矿工肯定熟悉下面的画面，这是 MegDL 的官方文档主页：可以从上面的截图就能非常明显的看出，要简单概括 MegDL，那就是“糙、快、猛”……文档不全，天坑很多，为了业务 xjb 改的地方非常非常多……所以开源其实是一件好事，至少能整理一下代
文章地址本文通过通过两个 branch，在不同区域的网络用了不同的 loss 监督，分离了人脸中与 ID 有关和与 ID 无关的 feature。编码器解码器结构使得整个网络是端到端的，同时也能手动调整 feature，使用解码器重建修改后的人脸图像。Pipeline如 Fig 2. $E_{\theta_{enc}}$ 是编码器，$E_{\theta_{dec}}$ 是解码器，保证了网络是端到端
