2025-02-13
自动控制
000

image.png

2025-02-13
自动控制
000

image.png

2025-02-12
深度学习
000

API调用

登录这里: https://console.volcengine.com/ark/region:ark+cn-beijing/endpoint?config=%7B%7D

注册后,创建DeepSeek R1 API接入点:

image.png

2025-02-12
Docker
000

安装 Docker Compose 可以通过几种方式进行,最常见的是通过下载官方提供的二进制文件或者使用包管理器安装。以下是两种主要的方法:

2025-02-12
Docker
000

在 Ubuntu 22.04 上安装 Docker 是一个相对简单的过程。以下是步骤:

1. 更新系统包

首先,确保系统包信息是最新的:

bash
展开代码
sudo apt update sudo apt upgrade -y
2025-02-11
深度学习
000

本文作为这篇文章的总结:

https://mp.weixin.qq.com/s/-rXYgsu_1IEpjGvSQArPJQ

2025-01-20
深度学习
000
2025-01-20
DL论文
000

image.png

随着深度学习的兴起,自动上色引起了很多关注,目标是在复杂的图像语义(如形状、纹理和上下文)中生成合适的颜色。一些早期方法尝试使用卷积神经网络(CNN)预测每个像素的颜色分布。不幸的是,这些基于CNN的方法由于缺乏对图像语义的全面理解,通常会产生不正确或不饱和的上色结果(图1中的CIC、InstColor和DeOldify)。为了更好地理解语义信息,一些方法借助生成对抗网络(GANs),利用它们丰富的表示作为上色的生成先验。然而,由于GAN先验的表示空间有限,它们无法处理具有复杂结构和语义的图像,导致不合适的上色结果或不愉快的伪影(图1中的Wu等和BigColor)。

2025-01-17
深度学习
000

基于pix2pix的图像彩色化技术实践与探索

一、项目背景与问题发现

在前期实验中,我尝试使用mmgen库进行通用图像和线稿的处理,但效果不尽如人意。这让我开始怀疑mmgen库在此类任务中的适用性。经过评估后,我决定转向另一个成熟的解决方案。

2025-01-17
深度学习
000

通用场景上色任务太难,pix2pix效果不佳:

https://www.dong-blog.fun/post/1924

通用场景照片的要求太大了:要场景、要渐变色、要理解场景里的事物,比如你总不能给树叶上一个红色,是需要一定语义理解能力的。

线稿是一种需要块状涂色的任务,相对就简单得多。