[1] Unsupervised Depth Estimation, 3D Face Rotation and Replacement
Joel Ruben Antony Moniz, Christopher Beckham, Simon Rajotte, Sina Honari, Christopher Pal
Carnegie Mellon University, Mila-University of Montreal, Polytechnique Montreal, Element AI
这篇文章提出一种无监督方法，来学习如何根据给定单个图片来估计三维脸部结构，并且对3维视角转换进行预测，该转换跟期望的姿势和脸部结构相匹配。
本文通过无监督的方式来推理输入图像中脸部关键点的深度，不利用任何标注好的深度信息。能够将这些深度信息作为可回传损失的中间计算，进而预测三维仿射变换矩阵中的参数，该矩阵将推理得到的输入脸的三维关键点映射到期望的目标脸部几何结构或姿势的二维关键点。
本文所提方法简称DepthNets，可以根据一种脸部姿势到另一种脸部姿势推理得到其中的三维转换，同时保证脸部是朝前的，也可以转换到三维模型或者转换为另一种姿势和脸部几何结构。
这种形式也有一定的缺点，作者们给出了对抗图像转换的后处理方法，能够合成完整的头部快照，对不同的姿势或特征进行脸部重定向。
DepthNet网络结构如下
不同模型的效果对比如下
不同模型的DepthCorr对比如下
不同模型的MSE和DepthCorr对比如下
其中AIGN对应的论文为
Adversarial inverse graphics networks: Learning 2d-to-3d lifting and image-to-image translation from unpaired supervision. ICCV, 2017.
MOFA对应的论文为
Mofa: Model-based deep convolutional face autoencoder for unsupervised monocular reconstruction. ICCV 2017.
代码地址
不同模型的深度信息可视化对比如下
代码地址
https://github.com/joelmoniz/DepthNets/
[2] Deep Anomaly Detection Using Geometric Transformations
Izhak Golan, Ran El-Yaniv
Technion – Israel Institute of Technology
这篇文章主要考虑图像中的异常检测问题，并且给出一种新的检测方法。给定一些样本图片，这些图片都属于正常的类（比如图片都是狗这种动物），可以训练一种深层神经网络来检测异常图片（即图片中没有狗）。
本文的主要思路在于训练一个多分类模型用来判别给定图片中几十种几何变换的区别。
模型所学到的辅助专业知识能够生成特征检测器，在应用于转换之后的图片时，这些特征检测器能够基于softmax激活统计来有效识别异常图片。
实验证明，本文所提出的检测器能够给已有方法带来大幅提升。
在图像为数字的情形下最大化正态得分图示如下
几种方法在多个数据集上的效果对比如下
相关论文
Anomaly detection with generative adversarial networks, 2018
代码地址
https://github.com/xtarx/Unsupervised-Anomaly-Detection-with-Generative-Adversarial-Networks
Deep structured energy based models for anomaly detection. ICML 2016.
Deep one-class classification. ICML, 2018.
代码地址
https://github.com/PramuPerera/DeepOneClass
https://github.com/lukasruff/Deep-SVDD
Deep autoencoding gaussian mixture model for unsupervised anomaly detection. ICLR, 2018.
代码地址
https://github.com/danieltan07/dagmm
https://github.com/Newcomer520/tf-dagmm
代码地址
https://github.com/izikgo/AnomalyDetectionTransformations
[3] Adaptive Skip Intervals: Temporal Abstraction for Recurrent Dynamical Models
Alexander Neitz, Giambattista Parascandolo, Stefan Bauer, Bernhard Schölkopf
Max Planck Institute for Intelligent Systems, Max Planck ETH Center for Learning Systems
这篇文章引入了一种方法，该方法使得循环动态模型在时序上是抽象的。该方法称为ASI，自适应跳跃间隔，它基于一种现象，即在很多时序预测问题中，事件发生的具体时间跟潜在目标无关。而且，在很多情形中，存在预测间隔，该间隔会促成特定的容易预测的变换。
在某些预测任务中，该方法不仅在计算上比较高效，而且预测比较准确，同时保证了预测时的采样率可以自己选择。
跳跃间隔与累计误差率关系图示如下
ASI算法伪代码如下
代码地址
文章评论