
Stable Diffusion 项目实战落地:AI照片修复 第一篇 从黑白到彩色:用AI给照片上色的魔法之旅
好啦,经过一番操作,照片从黑白到彩色,经过 ControlNet 和图生图的加持,我们不仅给照片上色,还对细节进行修复,做出了更加完美的效果!大部分时间,我们选择预设样式就好,不需要过多复杂的提示词。但是,稍等,这个效果不一定是完美的——就像是你有了美颜,但有点“过度修饰”。不仅仅是把黑白照片变彩色,更重要的是,我们要让这张照片看起来像是经过精心修复的艺术品!高清修复能让细节更生动,减少不必要的模糊,保证你得到更加真实和细腻的效果。所以,在后续的操作中,别忘了多做实验,调整设置,发现最适合自己的方法。


信息级联综述:《A Survey of Information Cascade Analysis:Models,Predictions,and Recent Advances》(二)
生成模型通常无需繁重的特征工程,且具有内在可解释性。它们主要依赖时间序列数据,一旦模型准备完成并估计参数,即可实时进行预测。然而,其性能受到质疑,且常易受异常值影响。此外,生成模型通常对固定参数做强假设,这限制了它们的通用性和模型表达能力。再者,为模拟 / 重现级联扩散过程,支配级联成功的复杂底层机制被低估和简化。最后,大多数生成模型与网络无关 —— 即它们未能对可帮助理解信息扩散过程 / 路径的重要结构信息进行建模。因此,尽管生成模型高效且可解释,但在进行精确预测时能力较弱。


GRIDS: Grouped Multiple-Degradation Restoration with Image Degradation Similarity 论文阅读笔记
这些分布可以保存着,当inference阶段需要选择多专家模型时,可以利用输入图像的SRResNet特征的GGD分布(分成patch),计算和这些degradation分布之间的相似度,来决定选择在哪个degradation上train的模型进行restoration。不过由于前面进行了degradation的分组,所以其实是计算组内GGD的平均,作为组GGD,然后计算输入图像和每个组的组GGD之间的KL散度,最小的那个即为对应组别,可以用对应组别train的模型进行inference。


论文阅读:KAG: Boosting LLMs in Professional Domains via Knowledge Augmented Generation
作者构建了一个含有8000个知识内容的知识集,并拆分成了六个不同类别的数据集,评估了推理效果,指标为ACC和R1(衡量输出和参考答案的相关性)对实体进行标准化的目的类似于:在某个时间点,某种年龄和某种性别的人并发症状可能比较明显,因此我们可以利用实时的外部知识去丰富实体的属性内容。我的想法是将余弦相似度与KL散度,然后利用词典对句子分词,捕获谓语动词评价其词汇的情感,将三者综合起来作为句子与句子之间的相似度。一个具体的人,做了具体的事,怎么样做的。**过程:**结构化信息获取、知识对齐、存储。

