图像超分辨率（SR）的低位模型量化是一项长期的任务，以其令人惊讶的压缩和加速能力而闻名。但是，当将完整精液（FP）模型压缩为超低位宽度（2〜4位）时，准确性降解是不可避免的。在实验上，我们观察到量化的降解主要归因于激活而不是模型权重的量化 ...

随着生成建模技术的发展，综合人的言语与真实的言论变得越来越没有区别，并且在音频深层检测（ADD）系统中引起了棘手的挑战。在本文中，我们利用音频功能来提高添加系统的普遍性。对添加任务性能进行的调查是在各种音频功能中进行的，包括各种手工功能和基于学习的功能 ...

我们将流匹配作为变异推理的公式，我们称为变异流匹配（VFM）。基于此公式，我们开发了CATFlow，这是一种用于分类数据的流匹配方法。 CATFLOW易于实现，计算高效，并在图生成任务上取得了强大的结果 ...

YourTTS将多语言方法的力量带入了零击多演讲者TTS的任务。我们的方法建立在VITS模型的基础上，并为零击的多演讲者和多语言培训添加了一些新颖的修改。我们实现了最新的（SOTA）结果，结果零发言人TTS，结果可与SOTA在VCTK数据集上的零发音转换中相当 ...

联合学习是一个分布式学习范式，其两个主要挑战与传统分布式优化区分开：（1）网络中每个设备的系统特征（系统异质性）的系统特征的显着差异，以及（2）在整个网络（统计异质性）的非本质上分配数据。在这项工作中，我们介绍了一个框架FedProx，以解决联合网络中的异质性。 FEDPROX可以看作是FedAvg的概括和重新分配，这是联合学习的当前最新方法 ...

对材料和化学系统对电场的响应进行建模仍然是一个长期的挑战。机器学习间原子电位（MLIP）提供了量子机械方法的有效且可扩展的替代方案，但本身并不包含电响应。在这里，我们表明，仅通过从能量和力数据中学习，可以直接从潜在的ewald总和（LES）框架内的远程MLIP中提取极化和天生的有效电荷（BEC）张量 ...

图神经网络（GNN）在图形深度学习域中受到了很多关注。但是，从经验和理论上，最近的研究表明，深度GNN遭受了过度拟合和过度平滑的问题。通常的解决方案无法解决Deep GNN的大量运行时，或者在同一特征空间中限制了图形卷积 ...

我们研究了图像超分辨率（SR），该图像旨在从低分辨率（LR）图像中恢复逼真的纹理。最新的进展是通过将高分辨率图像作为参考（参考）（参考）取得的，因此可以将相关纹理传输到LR图像。但是，现有的SR方法忽略了使用注意机制从参考图像转移高分辨率（HR）纹理的方法，这限制了这些方法在有挑战性的情况下 ...