Previous works (Donahue et al., 2018a;Engel et al., 2019a) have found that generating coherent raw audio waveforms with GANs is challenging. In this paper, we show that it is possible to train GANs reliably to generate high quality coherent waveforms by introducing a set of architectural changes and simple training techniques. Subjective evaluation metric (Mean Opinion Score, or MOS) shows the effectiveness of the proposed approach for high quality mel-spectrogram inversion. To establish the generality of the proposed techniques, we show qualitative results of our model in speech synthesis, music domain translation and unconditional music synthesis. We evaluate the various components of the model through ablation studies and suggest a set of guidelines to design general purpose discriminators and generators for conditional sequence synthesis tasks. Our model is non-autoregressive, fully convolutional, with significantly fewer parameters than competing models and generalizes to unseen speakers for mel-spectrogram inversion. Our pytorch implementation runs at more than 100x faster than realtime on GTX 1080Ti GPU and more than 2x faster than real-time on CPU, without any hardware specific optimization tricks.

Accurate polyp segmentation is of great importance for colorectal cancer diagnosis and treatment. However, due to the high cost of producing accurate mask annotations, existing polyp segmentation methods suffer from severe data shortage and impaired model generalization. Reversely, coarse polyp bounding box annotations are more accessible. Thus, in this paper, we propose a boosted BoxPolyp model to make full use of both accurate mask and extra coarse box annotations. In practice, box annotations are applied to alleviate the over-fitting issue of previous polyp segmentation models, which generate fine-grained polyp area through the iterative boosted segmentation model. To achieve this goal, a fusion filter sampling (FFS) module is firstly proposed to generate pixel-wise pseudo labels from box annotations with less noise, leading to significant performance improvements. Besides, considering the appearance consistency of the same polyp, an image consistency (IC) loss is designed. Such IC loss explicitly narrows the distance between features extracted by two different networks, which improves the robustness of the model. Note that our BoxPolyp is a plug-and-play model, which can be merged into any appealing backbone. Quantitative and qualitative experimental results on five challenging benchmarks confirm that our proposed model outperforms previous state-of-the-art methods by a large margin.

据报道，深度学习系统可以在许多应用程序中实现最新的性能，关键是在基准数据集中存在训练有素的分类器。作为主流损失函数，交叉熵很容易导致我们找到表现出严重过度拟合行为的模型。在本文中，我们表明现有的交叉熵损失最小化问题基本上了解了数据集的基础数据分布的标签条件熵（CE）。但是，以这种方式学习的CE并不能很好地表征标签和输入共享的信息。在本文中，我们提出了一个共同的信息学习框架，在该框架中，我们通过学习标签和输入之间的相互信息来训练深层神经网络分类器。从理论上讲，我们在相互信息方面给出了人口分类误差的下限。此外，我们在$ \ mathbb {r}^n $中的混凝土二进制分类数据模型以及在这种情况下的错误概率下限中得出了相互信息的下限和上限。从经验上讲，我们在几个基准数据集上进行了广泛的实验，以支持我们的理论。相互学习的分类器（MILC）比有条件的熵学习分类器（CELC）取得更好的概括性能，其改进在测试准确性方面可能超过10 \％。

这项工作提出了下一代人类机器人界面，只能通过视觉来推断和实现用户的操纵意图。具体而言，我们开发了一个集成了近眼跟踪和机器人操作的系统，以实现用户指定的操作（例如，抓取，拾取和位置等），在其中将视觉信息与人类的注意合并在一起，以创建为所需的映射机器人动作。为了实现视力指导的操纵，开发了一个头部安装的近眼跟踪设备，以实时跟踪眼球运动，以便可以确定用户的视觉注意力。为了提高抓地力性能，然后开发出基于变压器的GRASP模型。堆叠的变压器块用于提取层次特征，其中在每个阶段扩展了通道的体积，同时挤压了特征地图的分辨率。实验验证表明，眼球跟踪系统产生低的凝视估计误差，抓地力系统在多个握把数据集上产生有希望的结果。这项工作是基于凝视互动的辅助机器人的概念证明，该机器人具有巨大的希望，可以帮助老年人或上肢残疾在日常生活中。可在\ url {https://www.youtube.com/watch?v=yuz1hukyurm}上获得演示视频。

随着电子商务的繁荣，旨在按照预测的有用性分数对产品评论进行分类的多模式审查帮助预测（MRHP）已成为研究热点。此任务的先前工作集中于基于注意力的模态融合，信息集成和关系建模，该模型主要暴露了以下缺点：1）由于其不加区分的注意公式，该模型可能无法捕获真正的基本信息； 2）缺乏适当的建模方法，可以充分利用提供的数据之间的相关性。在本文中，我们提出了SANCL：MRHP的选择性关注和自然对比学习。 SANCL采用基于探测的策略来对更大意义的区域进行高度注意权重。它还基于数据集中的自然匹配属性构建了对比度学习框架。两个基准数据集的实验结果（三个类别）表明，SANCL在记忆消耗较低的情况下实现了最先进的基线性能。

半监督学习（SSL）通过利用大量未标记数据来增强有限标记的样品来改善模型的概括。但是，目前，流行的SSL评估协议通常受到计算机视觉（CV）任务的约束。此外，以前的工作通常从头开始训练深层神经网络，这是耗时且环境不友好的。为了解决上述问题，我们通过从简历，自然语言处理（NLP）和音频处理（AUDIO）中选择15种不同，具有挑战性和全面的任务来构建统一的SSL基准（USB），我们会系统地评估主导的SSL方法，以及开源的一个模块化和可扩展的代码库，以对这些SSL方法进行公平评估。我们进一步为简历任务提供了最新的神经模型的预训练版本，以使成本负担得起，以进行进一步调整。 USB启用对来自多个域的更多任务的单个SSL算法的评估，但成本较低。具体而言，在单个NVIDIA V100上，仅需要37个GPU天才能在USB中评估15个任务的FIXMATCH，而335 GPU天（除ImageNet以外的4个CV数据集中的279 GPU天）在使用典型协议的5个CV任务上需要进行5个CV任务。

本文介绍了我们DFGC 2022竞赛的摘要报告。深层味道正在迅速发展，现实的面部折叠变得越来越欺骗性和难以检测。相反，检测深击的方法也正在改善。 Deepfake创作者和防守者之间有两党的比赛。这项竞赛提供了一个通用平台，用于基准在DeepFake创建和检测方法中当前最新的游戏之间的游戏。这场比赛要回答的主要研究问题是彼此竞争时两个对手的现状。这是去年DFGC 2021之后的第二版，具有新的，更多样化的视频数据集，更现实的游戏设置以及更合理的评估指标。通过这项竞争，我们旨在激发研究思想，以建立对深层威胁的更好的防御能力。我们还发布了我们的参与者和我们自己的DFGC 2022数据集，以丰富研究社区的DeepFake数据资源（https://github.com/nice-x/dfgc-2022）。

近年来，在实际场景中，单图（SID）引起了人们的关注。由于难以获得真实世界/清洁图像对，因此以前的真实数据集遭受了低分辨率图像，均匀的雨条，背景变化有限，甚至对图像对的不对准，从而对SID方法进行了不可思议的评估。为了解决这些问题，我们建立了一个名为Realrain-1K的新的高质量数据集，该数据集分别由1,120美元的高分辨率配对的清洁和高雨图像组成，分别具有低密度和高密度降雨条纹。 Realrain-1K中的图像是通过简单而有效的降雨密度可控制的过滤方法自动从大量现实世界中的雨滴剪辑中生成结盟。 Realrain-1K还提供丰富的雨条层作为副产品，使我们能够通过将雨条层粘贴在丰富的自然图像上，从而构建一个名为Synrain-13K的大规模合成数据集。基于它们和现有数据集，我们在三个曲目上基准了10种代表性的SID方法：（1）对Realrain-1K的全面监督学习，（2）域对真实数据集进行概括，以及（3）SYN-to-eal Toth-to to real Transvers Learning 。实验结果（1）显示了图像恢复性能和模型复杂性中代表性方法的差异，（2）验证所提出的数据集在模型概括中的重要性，（3）提供了有关从不同领域和从不同领域和学习的优越性的有用见解。关于现实世界中SID的未来研究的灯光。数据集将在https://github.com/hiker-lw/realrain-1k上发布

生成事实 - 一致的摘要是抽象总结的具有挑战性的任务。以前的作品主要编码事实信息或在解码后执行校正后/等级。在本文中，我们从对比学习的角度提供了一个事实 - 一致的解决方案，这是之前作品的自然延伸。我们提出CO2SUM（对比一致性），一种对比的学习方案，可以很容易地应用于事实 - 一致的抽象总结的序列模型，证明了模型可以在不修改架构的情况下感知。 CO2SUM在编码器上应用对比度学习，该编码器可以帮助模型意识到输入文章中包含的事实信息，或者对解码器进行对比学习，这使得模型生成事实正确的输出摘要。更重要的是，这两种方案是正交的，可以组合以进一步改善忠诚。关于公共基准测试的综合实验表明，与其他强大的事实 - 一致的摘要基线相比，CO2SUM提高了大型预先训练的语言模型的忠诚，并达到竞争力。

公共数据集是商业AI软件的关键驱动程序之一。使用公共可用数据集（特别是商业目的）由DataSet许可证管理。这些数据集许可证概述权利人有权获得给定数据集的权利以及必须履行必须履行诸如违反许可违规行为的权利的义务。但是，与标准化开源软件（OSS）许可不同，现有数据集许可证以临时方式定义，并不明确概述与其使用相关的权利和义务。这使得检查潜在的许可合规性违规。此外，公共数据集可以托管在多个位置，并从多个数据源创建，每个数据源可以具有不同的许可。因此，不能使用现有的检查OSS许可合规性的方法。在本文中，如果要用于建立商业AI软件，则提出了一种新的方法来评估潜在的许可合规性违规行为，如果要用于建立商业AI软件。我们在Huawei的两个产品组上进行了方法，常用的公共数据集进行了试验。我们的研究结果表明，如果它们用于商业目的，这6个学习的数据集中有5个违规风险。因此，我们为AI工程师提供了如何更好地评估公开可用数据集以获得许可合规性违规的建议。