要相信光

这篇博文将介绍今年两个比较新的根据人脑活动信号直接生成视觉刺激图像的工作，具体地说，就是根据观测图像时生成的脑补fMRI信号去重建观测图像。一篇工作为：High-resolution image reconstruction with latent diffusion models from human brain activity，另一篇为：MindDiffuser: Controlled Image Reconstruction from Human Brain Activity with Semant

本文会从最简单的扩散模型开始讲起，然后根据原始模型存在的缺点介绍当前的一些改进方法，最后介绍一个经典的可用于条件生成的扩散模型Stable Diffusion.

论文解读《DFM: A Performance Baseline for Deep Feature Matching》，用于图像配准/图像匹配的深度特征匹配方法DFM。模型无需训练，利用预训练模型，采用DNNS和HRA策略即可达到SOTA性能。

文章目录原文地址论文阅读方法初识相知回顾代码参考原文地址原文论文阅读方法三遍论文法初识在卷积操作中，提取局部特征的同时融合了通道间的特征。很多工作中也都主要关注空间维度上的注意力，而这篇文章要做的事情就是建模特征通道维度上的注意力，起到特征校准的功能（feature recalibration）：加强有用的特征 + 抑制无用的特征。主要的操作如上图所示：先对特征图U进行全局编码得到1x1xC维的特征（Squeeze），经过非线性变换得到通道级注意力权重（Excitation），利用它对特征图

文章目录原文地址论文阅读方法初识相知回顾原文地址待补充论文阅读方法三遍论文法初识相知回顾

文章目录原文地址论文阅读方法初识相知回顾代码复现文章目录原文地址论文阅读方法初识相知回顾代码复现原文地址原文论文阅读方法三遍论文法初识注意力机制也是人类视觉系统中非常重要的策略，视觉系统对眼球接收到的图像信息进行处理，突出重要的部分，忽略不重要的部分。因此，在视觉神经网络的设计中，这也是一个值得考虑的方面。本文主要提出了一个简单而有效的注意力模块CBAM，全称是Convolutional Block Attention Module。CBAM综合考虑了卷积特征图的两个维度：通道和空间维度

文章目录原文地址论文阅读方法初识相知2. Training Procedures3. Large-batch training3.1 Large-batch training3.2 Low-precision traing4. ResNet Architecture5. Training Refinemets5.1 Cosine Learning Rate Decay5.2 Label Smoothing5.3 Knowledge Distillation5.4 Mixup Training6. Tran

文章目录原文地址论文阅读方法初始（Abstract & Introduction & Conclusion）相知（Body）2. Related WorkConventional MethodsData-Driven Methods3. Methodology3.1 Light-Enhancement Curve (LE-Curve)3.2 DCE-Net3.3 Non-Reference Loss Functions4. Experiment4.1 Ablation Study4.2 Be