组会记录2023/9/28

一、RankIQA: Learning from Rankings for No-reference Image Quality Assessment

     (RankIQA:学习无参考图像质量评估的排名)

1、概述

  • 利用大型、未标记的数据库。
  • 给定一组参考图像,很容易施加图像失真(如高斯模糊)来生成排序图像数据集。这样生成的图像集可以很容易地进行排序。模型训练完成后,可以对小型图像质量数据集进行微调,以解决IQA问题。

2、主要技术

差异基因、图像、空间辨识基因、评价空间连续性、

使用失真类型

4)空间连续性具体是通过定义了相邻像素的色度连续性和纹理连续性来实现的。 而在此前的SCI IQA方法的研究中还没有用到过色度连续性。 

二、ChemRL-GEM: Geometry Enhanced Molecular Representation Learning for Property Prediction

(用于化学表征学习(ChemRL)的几何增强分子表征学习方法(GEM))

1.提出了一种基于几何信息的图神经网络GeoGNN,来编码分子的拓扑和几何信息;

2.引入了多个几何级的自监督学习任务来学习分子的三维空间知识;

作者在各种分子性质预测数据集上对ChemRL-GEM进行了彻底的评估。实验结果表明,ChemRL-GEM在多个基准上显著优于基准方法

三、Concordance-Based Batch Effect Correction for Large-Scale Metabolomics

你可能感兴趣的:(计算机视觉,人工智能)