Исследование AKOOL

Добро пожаловать в наш исследовательский центр, где мы демонстрируем новаторские работы в области GenAI.

Избранные публикации

SinGS: Animatable Single-Image Human Gaussian Splats with Kinematic Priors

We propose SinGS, aiming to achieve high-quality and efficient animatable 3D avatar reconstruction. At the heart of SinGS are two key components: Kinematic Human Diffusion and GeometryPreserving 3D Gaussain Splatting. Extensive experiments demonstrate that SinGS enables lifelike, animatable human reconstructions, maintaining both high quality and inference efficiency (up to 70FPS).

Authors:

Yufan Wu, Xuanhong Chen, Wen Li, Shunran Jia, Hualiang Wei, Kairui Feng, Jialiang Chen, Yuhan Li, Ang He, Weimin Zhang, Bingbing Ni, Wenjun Zhang

Conference:

The IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2025

Journal:

Archive:

Read the Paper

Изучение моделей, основанных на энергии, на основе вероятности восстановления кооперативной диффузии

В данном исследовании представлен инновационный метод изучения моделей, основанных на энергии, с использованием вероятности кооперативного диффузионного восстановления. Наш подход использует преимущества процессов совместного обучения и распространения информации для повышения эффективности обучения и результативности моделей, основанных на энергии.

Authors:

Ясюань Чжу, Цзяньвэнь Се, Ин Нянь Ву, Жуйци Гао

Conference:

Двенадцатая международная конференция по учебным представлениям (ICLR), 2024

Journal:

Archive:

Read the Paper

Энергетический априор генеративной значимости

В этой статье мы представляем новый априор, основанный на энергии, для моделей генеративной значимости. Наш подход повышает интерпретируемость и эффективность определения заметности за счет интеграции методов, основанных на использовании энергии, что позволяет получать более точные и надежные результаты в различных приложениях.

Authors:

Цзин Чжан, Цзяньвэнь Се, Ник Барнс, Пин Ли

Conference:

Journal:

Транзакции IEEE по анализу паттернов и машинному интеллекту (TPAMI), 2023

Archive:

Read the Paper

Нейронные ОДЫ на основе латентной космической энергии

Это исследование представляет новую основу для моделирования последовательных данных в непрерывном времени с использованием нейронных обыкновенных дифференциальных уравнений (ОДУ) на основе скрытой космической энергии. Наш подход расширяет возможности моделирования последовательных данных и позволяет по-новому взглянуть на задачи машинного обучения.

Authors:

Шэн Чэн, Дэцянь Кун, Цзяньвэнь Се, Кукджин Ли, Ин Нянь Ву, Ечжоу Ян

Conference:

Journal:

Транзакции по исследованиям в области машинного обучения (TMLR) 2025

Archive:

Read the Paper

Конструирование молекул с помощью трансформатора скрытой подсказки

Мы предлагаем трансформатор скрытых импульсов (LPT), новую генеративную модель для решения сложной задачи проектирования молекул. Эксперименты показывают, что LPT не только эффективно обнаруживает полезные молекулы при выполнении одноцелевых, многоцелевых и ограниченных по структуре задач оптимизации, но и демонстрирует высокую эффективность отбора проб.

Authors:

Дэцянь Кун, Юхао Хуан, Цзяньвэнь Се, Эдуардо Хониг, Минг Сюй, Шуанхун Сюэ, Пэй Линь, Саньпин Чжоу, Шэн Чжун, Наньнин Чжэн, Ин Нянь Ву

Conference:

38-я конференция по системам обработки нейронной информации (NeuRIPS 2024)

Journal:

Archive:

Read the Paper

Одиссея, основанная на скрытой энергии: оптимизация «черного ящика» за счет расширенных исследований в скрытом пространстве, основанном на энергии

В данной статье представлен новый метод оптимизации «черного ящика», известный как «Одиссея, основанная на скрытой энергии». Этот подход направлен на расширение геологоразведки в скрытом пространстве, основанном на энергии, и усовершенствование процесса оптимизации. Используя энергетический ландшафт скрытого пространства, этот метод повышает эффективность и результативность задач оптимизации, что делает его значительным достижением в области машинного обучения и оптимизации.

Authors:

Пэйю Ю, Динхуай Чжан, Хэнчжи Хэ, Сяоцзянь Ма, Жуяо Мяо, Ифань Лу, Яси Чжан, Дэцянь Кун, Жуйци Гао, Цзяньвэнь Се, Гуан Чэн, Ин Нянь Ву

Conference:

Journal:

Archive:

Read the Paper

CooFash: совместное изучение многоцелевого дескриптора и генератора контрастных пар с помощью вариационного обучения MCMC для контролируемого хеширования изображений

CooFash представляет новый подход к контролируемому хешированию изображений с помощью совместного обучения. Используя вариационное обучение по методу Монте-Карло по методу Монте-Карло (MCMC), программа одновременно оптимизирует многофункциональный дескриптор и генератор контрастных пар. Этот инновационный метод повышает эффективность и точность хеширования изображений, что делает его значительным достижением в этой области.

Authors:

Хоа Доан, Цзяньвэнь Се, Ясюань Чжу, Ян Чжао, Пин Ли

Conference:

Journal:

Archive:

Read the Paper

Трансформатор скрытого плана для абстракции траекторий: планирование как вывод о скрытом пространстве

В этой статье мы представляем Latent Plan Transformer — новую структуру, которая рассматривает планирование как вывод скрытых переменных. Наш подход сочетает преимущества трансформаторов и моделей со скрытыми переменными для обеспечения надежного и эффективного планирования в сложных условиях.

Authors:

Дэцянь Кун, Дэхун Сюй, Минглу Чжао, Бо Пан, Цзяньвэнь Се, Эндрю Лизаррага, Юхао Хуан, Сижуй Се, Ин Нянь Ву

Conference:

38-я конференция по системам обработки нейронной информации (NeuRIPS 2024)

Journal:

Archive:

Read the Paper

Прогрессивное совместное обучение на основе энергии для многопредметного перевода изображений в изображение

Мы предлагаем прогрессивную систему совместного обучения, основанную на энергии, для многодоменного перевода изображений в изображение. Этот метод решает проблемы адаптации и перевода предметной области за счет постепенного совершенствования процесса обучения, что приводит к повышению производительности во многих областях.

Authors:

Вэйнань Сун, Ясюань Чжу, Лэй Хэ, Ин Нянь Ву, Цзяньвэнь Се

Conference:

Journal:

Archive:

Архив, 2024

Read the Paper

О нас

Наша команда состоит из известных исследователей из престижных учреждений, которые совместно работают над развитием области искусственного интеллекта. Мы сосредоточены на разработке инновационных решений, направленных на решение реальных проблем и способствующих развитию научного сообщества в целом.

Оставайтесь на связи

Свяжитесь с нами: С вопросами, сотрудничеством или дополнительной информацией о наших исследованиях обращайтесь к нам по адресу info@akool.com.