Existing deep learning based HDRTV reconstruction methods assume one kind of tone mapping operators (TMOs) as the degradation procedure to synthesize SDRTV-HDRTV pairs for supervised training. In this paper, we argue that, although traditional TMOs exploit efficient dynamic range compression priors, they have several drawbacks on modeling the realistic degradation: information over-preservation, color bias and possible artifacts, making the trained reconstruction networks hard to generalize well to real-world cases. To solve this problem, we propose a learning-based data synthesis approach to learn the properties of real-world SDRTVs by integrating several tone mapping priors into both network structures and loss functions. In specific, we design a conditioned two-stream network with prior tone mapping results as a guidance to synthesize SDRTVs by both global and local transformations. To train the data synthesis network, we form a novel self-supervised content loss to constraint different aspects of the synthesized SDRTVs at regions with different brightness distributions and an adversarial loss to emphasize the details to be more realistic. To validate the effectiveness of our approach, we synthesize SDRTV-HDRTV pairs with our method and use them to train several HDRTV reconstruction networks. Then we collect two inference datasets containing both labeled and unlabeled real-world SDRTVs, respectively. Experimental results demonstrate that, the networks trained with our synthesized data generalize significantly better to these two real-world datasets than existing solutions.

在高光中，幽灵伪像，运动模糊和低忠诚度是来自多个低动态范围（LDR）图像的高动态范围（HDR）成像的主要挑战。这些问题来自使用中等暴露图像作为先前方法中的参考框架。为了应对它们，我们建议使用暴露不足的图像作为避免这些问题的参考。但是，暴露不足图像的黑暗区域中的沉重噪音成为一个新问题。因此，我们提出了一个关节HDR和Denoising管道，其中包含两个子网络：（i）通过利用暴露先验来适应性的denoise输入LDR； （ii）金字塔级联融合网络（PCFNET），以多尺度的方式引入了注意机制和级联结构。为了进一步利用这两个范式，我们提出了一个选择性和联合HDR和DeNoising（SJ-HD $^2 $ R）成像框架，利用特定方案的先验来进行路径选择，准确性超过93.3 $ \％$ $ 。我们创建了第一个关节HDR和Denoising基准数据集，该数据集包含各种具有挑战性的HDR和DeNoising场景，并支持参考图像的切换。广泛的实验结果表明，我们的方法实现了与以前的方法相比的卓越性能。

本文回顾了关于压缩视频质量增强质量的第一个NTIRE挑战，重点是拟议的方法和结果。在此挑战中，采用了新的大型不同视频（LDV）数据集。挑战有三个曲目。Track 1和2的目标是增强HEVC在固定QP上压缩的视频，而Track 3旨在增强X265压缩的视频，以固定的位速率压缩。此外，轨道1和3的质量提高了提高保真度（PSNR）的目标，以及提高感知质量的2个目标。这三个曲目完全吸引了482个注册。在测试阶段，分别提交了12个团队，8支球队和11支球队，分别提交了轨道1、2和3的最终结果。拟议的方法和解决方案衡量视频质量增强的最先进。挑战的首页：https：//github.com/renyang-home/ntire21_venh

The increasing reliance on online communities for healthcare information by patients and caregivers has led to the increase in the spread of misinformation, or subjective, anecdotal and inaccurate or non-specific recommendations, which, if acted on, could cause serious harm to the patients. Hence, there is an urgent need to connect users with accurate and tailored health information in a timely manner to prevent such harm. This paper proposes an innovative approach to suggesting reliable information to participants in online communities as they move through different stages in their disease or treatment. We hypothesize that patients with similar histories of disease progression or course of treatment would have similar information needs at comparable stages. Specifically, we pose the problem of predicting topic tags or keywords that describe the future information needs of users based on their profiles, traces of their online interactions within the community (past posts, replies) and the profiles and traces of online interactions of other users with similar profiles and similar traces of past interaction with the target users. The result is a variant of the collaborative information filtering or recommendation system tailored to the needs of users of online health communities. We report results of our experiments on an expert curated data set which demonstrate the superiority of the proposed approach over the state of the art baselines with respect to accurate and timely prediction of topic tags (and hence information sources of interest).

最近，知识表示学习（KRL）正在作为对知识图（kgs）处理查询的最新方法的出现，其中kg实体和查询被嵌入到一个潜在空间中，以使回答查询的实体是嵌入在查询附近。然而，尽管对KRL进行了深入的研究，但大多数现有研究要么侧重于同质KG，要么承担kg完成任务（即缺失事实的推断），同时回答对具有多个方面的kgs的复杂逻辑查询（多视图kg）仍然是一个开放的挑战。为了弥合这一差距，在本文中，我们提出了罗马，这是一个新颖的KRL框架，用于回答多视图KGS的逻辑查询。与先前的工作相比，罗姆人在主要方面离开。 （i）它将多视图kg建模为一组覆盖子kg，每个kg对应于一种视图，该视图集成了文献中研究的许多类型的kg（例如，颞kg）。 （ii）它支持具有不同关系和视图约束的复杂逻辑查询（例如，具有复杂的拓扑和/或从多个视图中）； （iii）它比例扩大到大小（例如，数百万个事实）和细粒状视图（例如，数十个观点）； （iv）它概括地查询训练过程中未观察到的结构和kg观点。对现实世界KGS的广泛经验评估表明，\系统明显优于替代方法。

我们提出了一种多阶段的多代码书（MSMC）方法，用于高性能神经TTS合成。基于矢量定量的，变异的自动编码器（VQ-VAE）的特征分析仪用于编码语音训练数据的MEL频谱图，通过在多个阶段中逐渐减小为MSMC表示（MSMCR），并使用不同的时间分辨率进行逐步降低，并使用多个VQ对其进行量化它们代码书分别。通过最大程度地减少重建均方根误差（MSE）和“三重态损耗”的合并损失，对多阶段预测指标进行了训练，以逐步将输入文本序列映射到MSMCR。在合成中，神经声码器将预测的MSMCR转换为最终的语音波形。拟议的方法是由女演讲者通过16小时的英语TTS数据库进行了训练和测试。拟议的TTS的MOS得分为4.41，其表现优于基线，MOS为3.62。拟议的TTS的紧凑版本仍然可以保留高MOS得分。消融研究表明，多个阶段和多个代码手册都可以有效地实现高TTS性能。

在不断增长的机器学习和数据分析世界中，学者们正在寻找解决现实世界中问题的新方法。一种解决方案是通过医疗保健，体育统计和数据科学之间的交集来实现的。在美国职棒大联盟（MLB）的领域内，投手被视为最重要的阵容。他们通常是薪水最高的球员之一，对于特许经营的成功至关重要，但是他们更容易受到伤害，使他们在整个赛季中占据一席之地。尺骨副韧带（UCL）是肘部中的小韧带，可控制投手投掷手臂的强度和稳定性。由于重复的压力，投手在职业生涯中部分或完全撕裂它并不少见。修复这种伤害需要UCL重建手术，以非正式地称为汤米·约翰手术。在这个讲台摘要中，我们想研究是否可以通过分析在线投手数据来使用机器学习技术来预测UCL伤害。

深度神经网络（DNN）已广泛采用健康风险预测，以提供医疗保健诊断和治疗。为了评估其稳健性，现有研究在型号参数可访问的白色/灰度箱设置中进行对抗性攻击。然而，即使大多数现实世界的型号训练私有数据并在云上作为黑匣子服务发布，也是更现实的黑盒对抗性攻击。为了填补这一差距，我们提出了针对Medattacker的健康风险预测模型的第一个黑匣子对抗攻击方法来调查他们的脆弱性。 MedAttacker通过两个步骤解决了EHR数据所带来的挑战：层次定位选择，它选择强化学习（RL）框架中的攻击位置并替换替代替代基于分数的原则。特别是，通过考虑EHR中的时间上下文，它通过使用每次访问的贡献分数和每个代码的显着分数来初始化其RL位置选择策略，这可以与决定性变化决定的确定性替代选择过程很好地集成。在实验中，Medattacker始终如一地实现了最高的平均成功率，并且在某些情况下攻击了在多次真实数据集中的黑匣子环境中的三个高级健康风险预测模型时，最近的白盒EHR对抗攻击技术甚至优于最近的白盒EHR对抗性攻击技术。此外，基于实验结果，我们包括讨论捍卫EHR对抗性攻击。

联邦学习对分布式数据利用率和隐私保护表达了极大的潜力。大多数现有的联合学习方法侧重于监督设置，这意味着存储在每个客户端中的所有数据都有标签。但是，在现实世界应用中，客户数据无法完全标记。因此，如何利用未标记的数据应该是联邦学习的新挑战。虽然一些研究正在试图克服这一挑战，但它们可能会遭受信息泄漏或误导性信息使用问题。为了解决这些问题，在本文中，我们提出了一种名为Fedtrinet的新型联合半监督学习方法，该方法由两个学习阶段组成。在第一阶段，我们使用带有FADVG的标记数据预先列教Fedtrinet。在第二阶段，我们的目标是使大部分未标记的数据来帮助模型学习。特别是，我们建议使用三个网络和动态质量控制机制来为未标记数据产生高质量的伪标签，该数据被添加到训练集中。最后，Fedtrinet使用新的训练设置来重新培训模型。在三个公共数据集上的实验结果表明，提出的Fedtrinet在IID和非IID设置下优于最先进的基线。

药物建议是医疗保健的AI的重要任务。现有作品的重点是仅根据其电子健康记录，为具有复杂健康状况的患者推荐药物组合。因此，它们具有以下局限性：（1）在建议过程中尚未使用一些重要数据，例如药物分子结构。 （2）对药物 - 药物相互作用（DDI）进行隐式建模，这可以导致亚最佳结果。为了解决这些局限性，我们提出了一个名为SAFEDRUG的DDI可控制的药物建议模型，以明确利用药物的分子结构和DDIS模型。 SAFEDRUG配备了全球消息传递神经网络（MPNN）模块和局部两部分学习模块，以完全编码药物分子的连通性和功能。 SAFEDRUG还具有可控的损失函数，可有效地控制建议的药物组合中的DDI水平。在基准数据集中，我们的SAFEDRUG相对显示可将DDI降低19.43％，并在推荐和实际规定的药物组合之间在以前的方法上的JACCARD相似性提高了2.88％。此外，SAFEDRUG还需要比以前的基于深度学习的方法更少的参数，从而使推理的训练更快约为14％，速度约为2倍。