程序员欢乐送（第40期）

雨点打透心脏的1/2处 2023-06-12 06:29 69阅读 0赞

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9qYWNrY3VpLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70][]

一直保持的追求有三点：技术、快乐、财富，这里记录每周值得分享的内容，周五把欢乐送达。

微信公众号同步更新，欢迎您的关注！

![format_png][]

## 技术 ##

### 1、DeepFill v2 ###

关注过图像修复领域的朋友，一定听说过DeepFill算法。DeepFill v1算法开源已久，是CVPR 2018的一篇佳作。DeepFill v2的论文放出也有一阵子了，但是一直没有开源。

10月27日，作者团队终于在Github放出自己的代码，效果很是惊艳，论文也被收录到了ICCV2019 Oral。

图像修复（Image Inpainting）要解决的问题是在内容缺失的图片上进行填充，填充后的图片尽量自然。例如，左图是原始图片，中间标记想去掉的部分，右图就是去除后的效果。可以看到，去除后的背景纹理也跟着一起修复了。其实，算法就是根据去除区域的背景纹理，对空白区域进行了自然纹理填充。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9qYWNrY3VpLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 1][]

项目地址：[https://github.com/JiahuiYu/generative\_inpainting][https_github.com_JiahuiYu_generative_inpainting]

### 2、Few-shot vid2vid ###

GAN在图像生成领域虽然研究十分广泛，然而在视频生成领域却还存在许多问题。主要原因在于生成的视频很难保证前后帧的一致性，容易出现抖动。

vid2vid在pix2pixHD基础上，加入了时序约束，改善了抖动问题，实现了高分辨率的视频生成。

虽然vid2vid合成技术已经取得了显著进展，但依然存在以下两种局限：

其一，现有方法极其需要数据。训练过程中需要大量目标人物或场景的图像；

其二，学习到的模型泛化能力不足。

为了克服这两种局限，英伟达的研究者提出了 Few-shot vid2vid，一种基于小样本的vid2vid算法，该算法可以利用少量的数据，就可以实现视频的合成。

有一些很有趣的玩法，比如，可以让一个雕像，跟随人的节奏跳舞。

![20191101000739618.gif][]

再比如，让"蒙娜丽莎"跟随人的表情"说话"。

![20191101000756919.gif][]

至于代码，作者在issues中提到，他们正在等在律师的反馈，得到批准后，代码会很快发布出来。

感兴趣的朋友，可以持续跟进下。

项目地址：[https://github.com/NVlabs/few-shot-vid2vid][https_github.com_NVlabs_few-shot-vid2vid]

### 3、PySlowFast ###

不过还有一个令人恼火的问题有待解决：视频理解。

视频理解指的是对视频片段进行分析并进行解读。虽然有一些最新的进展，现代算法还远远达不到人类的理解层次。

FaceBook AI Research何凯明团队提出了SlowFast，一种新颖的方法来分析视频片段的内容。算法采用快慢双通道网络FastPath和SlowPath，FastPath负责捕捉动作信息，SlowPath负责捕捉视觉语义信息，最后在无预训练的情况下，在Kinetics数据集上视频分类准确率达到了79.0%，在AVA action detection数据集上达到了当前最好的28.3mAP。

10月28日，算法的代码也在Github上放出。

![20191101000837300.gif][]

项目地址：[https://github.com/facebookresearch/SlowFast][https_github.com_facebookresearch_SlowFast]

### 4、SinGAN ###

SinGAN将GAN带入了一个新领域，从单幅自然图像中学习非条件生成模型，它能够捕捉图像的内部块分布信息，生成具有相同视觉内容的高质量、多变的样本。

SinGAN使用多尺度对抗训练方案来跨多个尺度学习图像内部统计信息，可以将其用于生成新的逼真图像样本，该样本在生成新目标和结构的同时保留原始图像块分布。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9qYWNrY3VpLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 2][]

有了SinGAN是不是在一定程度上可以帮你解决训练样本不够，样本不均衡的问题呢？

项目地址：[https://github.com/tamarott/SinGAN][https_github.com_tamarott_SinGAN]

### 5、Gaussian YOLOv3 ###

做过目标检测的，对YOLOv3应该都不陌生，Gaussian YOLOv3就是对YOLOv3的一个改进版本。

Gaussian YOLOv3针对自动驾驶室外场景，通过高斯建模，损失函数重构等方法，改进了YOLOv3算法精度，提高TP并显着降低FP，同时保持实时性。

与YOLOv3相比，改进后的算法在KITTI数据上的mAP提高了3.09。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9qYWNrY3VpLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 3][]

项目地址：[https://github.com/jwchoi384/Gaussian\_YOLOv3][https_github.com_jwchoi384_Gaussian_YOLOv3]

### 6、Photoshop 2020 ###

Adobe为Photoshop 2020准备了新的功能，一键抠图。采用用机器学习算法，快速扣取目标，不仅识别精准，还能机智地保留细节。

![20191101001006376.gif][]

毛发也都能分割的很好，有不太理想的地方，也可以再修修补补。

其实，功能实现的背后，就是用到了类似Deep Image Matting的算法。

Adobe还没有公布该功能的正式发布时间，不过官方表示：快了。

### 7、ClothFlow ###

ClothFlow是一个基于外观流的衣服生成模型，主要用于将一个图片中的服装渲染到另外一张图片上，其想要实现的效果是这样的：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9qYWNrY3VpLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 4][]

具体的实现方式，是使用一个级联的特征金字塔网络，估算源服装区域和目标服装区域的几何变换，然后通过多个基于编码器-解码器的生成网络来实现“衣服迁移”。

在论文中，作者也多次提到了这一研究的应用场景：虚拟试衣等服装相关应用。

尤其是在直播场景中，有不少的想象空间。这一技术成熟后，主播可以虚拟换装，省去买衣服的成本和换衣服的时间。而且， 用户也可以根据自己的喜好给主播选穿什么样的衣服。

论文地址：[Han\_ClothFlow\_A\_Flow-Based\_Model\_for\_Clothed\_Person\_Generation\_ICCV\_2019\_paper.pdf][Han_ClothFlow_A_Flow-Based_Model_for_Clothed_Person_Generation_ICCV_2019_paper.pdf]

## 快乐 ##

### 1、来自老父亲的爱 ###

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9qYWNrY3VpLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 5][]

### 2、凭实力单身 ###

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9qYWNrY3VpLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 6][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9qYWNrY3VpLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 7][]

## 财富 ##

聊聊最近的A股，A股的强势股换了又换，如今轮到了区块链相关企业。

10月24日下午，大大在主持学习时强调，**区块链技术的集成应用在新的技术革新和产业变革中起着重要作用**。

10月25日，老百姓看到新闻的时候，A股已经停盘。晚上，美股开盘，拥有区块链技术的迅雷一夜之间暴涨107%。

10月28日，A股开盘，新湖中宝、文化长城等拥有区块链技术的公司股票相继涨停。

截止10月31日，文化长城6板，新通联5板，区块链总龙头新湖中宝也是稳稳的缩量4板。涨停梯队看着很完整，但涨停数降至新低14家，跌停增至59家，涨停股连涨率35.71%，连板4家，炸板率46%，短线氛围冰点。

再说说A股大盘，美联储降息，美股再创新高，印度股市也创新高，全世界都在涨，唯独A股全线下挫。

2019年，还剩下2个月。今年的A股，在全球表现不算差，年初来了波气势十足的小涨，人们以为盼着的牛市到来了，结果股市跌宕起伏，震荡到现在。

定投的基金，投了大半年，亏损的日子比盈利的日子多一些，不过整体还好，属于可接受范围，符合预期。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9qYWNrY3VpLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 8][]

500ETF这两天跌了不少，快到了阶段性低位，感兴趣的朋友，可以关注一波。

## 最后 ##

本周的程序员欢乐送，到此结束，下周再会。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9qYWNrY3VpLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70]: /images/20230531/7c87a42f9a74440b8eb844b2c451ed82.png
[format_png]: /images/20230531/f7620efe76894e80aec7c22f94e29ab2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9qYWNrY3VpLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 1]: /images/20230531/b832ded6d313411d941be81d5f138510.png
[https_github.com_JiahuiYu_generative_inpainting]: https://github.com/JiahuiYu/generative_inpainting
[20191101000739618.gif]: /images/20230531/23d3121d0b0947cd9059698e667a5bf4.png
[20191101000756919.gif]: /images/20230531/301478199c9841e3af134ab97452bc84.png
[https_github.com_NVlabs_few-shot-vid2vid]: https://github.com/NVlabs/few-shot-vid2vid
[20191101000837300.gif]: /images/20230531/c13b976ef48e4b0eba02d54f2a7a7c01.png
[https_github.com_facebookresearch_SlowFast]: https://github.com/facebookresearch/SlowFast
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9qYWNrY3VpLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 2]: /images/20230531/6458bca00e2244f8837b274eeea66d63.png
[https_github.com_tamarott_SinGAN]: https://github.com/tamarott/SinGAN
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9qYWNrY3VpLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 3]: /images/20230531/e7a944cc3adb4522b317186bab086b4b.png
[https_github.com_jwchoi384_Gaussian_YOLOv3]: https://github.com/jwchoi384/Gaussian_YOLOv3
[20191101001006376.gif]: /images/20230531/1dd2e0d1b3cc47599689a5aead390632.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9qYWNrY3VpLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 4]: /images/20230531/b37878955e7c49cfa148e7b9287ea16d.png
[Han_ClothFlow_A_Flow-Based_Model_for_Clothed_Person_Generation_ICCV_2019_paper.pdf]: http://openaccess.thecvf.com/content_ICCV_2019/papers/Han_ClothFlow_A_Flow-Based_Model_for_Clothed_Person_Generation_ICCV_2019_paper.pdf
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9qYWNrY3VpLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 5]: /images/20230531/8e1eafca483045c78d2e891bf87451e5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9qYWNrY3VpLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 6]: /images/20230531/f96bd981131d40a684ecd7fc72c4004a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9qYWNrY3VpLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 7]: /images/20230531/730d6e429a064cc79bf8d63fa7477d35.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9qYWNrY3VpLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 8]: /images/20230531/4319ed4fd0fc4c2f8ea1a193ea460791.png