🌄Scenimefy: Learning to Craft Anime Scene via Semi-Supervised Image-to-Image Translation
Novel semi-supervised image-to-image translation framework
Новый фреймворк для Автоматического высококачественного рендеринга аниме-сцен из сложных реальных изображений.
🖥 Github: https://github.com/yuxinn-j/scenimefy
▶️ Project: https://yuxinn-j.github.io/projects/Scenimefy.html
📕 Paper: https://arxiv.org/abs/2308.12968v1
🚀 Demo: https://yuxinn-j.github.io/projects/Scenimefy.html
⭐️ Dataset: https://github.com/Yuxinn-J/Scenimefy#open_file_folder-anime-scene-dataset
ai_machinelearning_big_data
Novel semi-supervised image-to-image translation framework
Новый фреймворк для Автоматического высококачественного рендеринга аниме-сцен из сложных реальных изображений.
git clone https://github.com/Yuxinn-J/Scenimefy.git
🚀 Demo: https://yuxinn-j.github.io/projects/Scenimefy.html
ai_machinelearning_big_data
Please open Telegram to view this post
VIEW IN TELEGRAM
👍7🔥4❤2😱1
🔥Dense Text-to-Image Generation with Attention Modulation
DenseDiffusion, a training-free method that adapts a pre-trained text-to-image model to handle dense captions while offering control over the scene layout.
DenseDiffusion - новый метод, адаптирующий предварительно обученную модель "текст-изображение",
С DenseDiffusion способен генерировать изображения, учитывая подробное описание, конкретной области изображения.
🖥 Github: https://github.com/naver-ai/densediffusion
📕 Paper: https://arxiv.org/abs/2308.12964v1
⭐️ Dataset: https://paperswithcode.com/dataset/coco
ai_machinelearning_big_data
DenseDiffusion, a training-free method that adapts a pre-trained text-to-image model to handle dense captions while offering control over the scene layout.
DenseDiffusion - новый метод, адаптирующий предварительно обученную модель "текст-изображение",
С DenseDiffusion способен генерировать изображения, учитывая подробное описание, конкретной области изображения.
ai_machinelearning_big_data
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
👍12🔥5❤2
🦙Llama 2 learns to code
The models show state-of-the-art performance in Python, C++, Java, PHP, C#, TypeScript, and Bash.
Мощнейший ИИ-инструмент с открытым исходным кодом, для написания качественного кода Python и не только.
Примеры работы с codellama на скриншотах.
•Hugging face
•Github
•Docs
•Post
ai_machinelearning_big_data
The models show state-of-the-art performance in Python, C++, Java, PHP, C#, TypeScript, and Bash.
Мощнейший ИИ-инструмент с открытым исходным кодом, для написания качественного кода Python и не только.
Примеры работы с codellama на скриншотах.
#!pip install git+https://github.com/huggingface/transformers.git@main acceleratefrom transformers•Hugging face
•Github
•Docs
•Post
ai_machinelearning_big_data
👍25❤6🔥1
👨🎓The Best Courses for AI from Universities with YouTube Playlists
Лучшие курсы по искусственному интеллекту от топовых университетов мира.
Stanford University Courses
•CS221 - Artificial Intelligence: Principles and Techniques
•CS224U: Natural Language Understanding
•CS224n - Natural Language Processing with Deep Learning
•CS224w - Machine Learning with Graphs
•CS229 - Machine Learning
•CS230 - Deep Learning
•CS231n - Convolutional Neural Networks for Visual Recognition
•CS234 - Reinforcement Learning
•CS330 - Deep Multi-task and Meta-Learning
•CS25 - Transformers United
Carnegie Mellon University Courses
•CS 10-708: Probabilistic Graphical Models
•CS/LTI 11-711: Advanced NLP
•CS/LTI 11-737: Multilingual NLP
•CS/LTI 11-747: Neural Networks for NLP
•CS/LTI 11-777: Multimodal Machine Learning
•CS/LTI 11-785: Introduction to Deep Learning
•CS/LTI 11-785: Neural Networks
•CS/LTI Low Resource NLP
Massachusetts Institute of Technology Courses
•6.006 - Introduction to Algorithms
•6.S191 - Introduction to Deep Learning
•6.S094 - Deep Learning
•6.S192 - Deep Learning for Art, Aesthetics, and Creativity
DeepMind x UCL
•COMP M050 - Introduction to Reinforcement Learning
•Deep Learning Series
ai_machinelearning_big_data
Лучшие курсы по искусственному интеллекту от топовых университетов мира.
Stanford University Courses
•CS221 - Artificial Intelligence: Principles and Techniques
•CS224U: Natural Language Understanding
•CS224n - Natural Language Processing with Deep Learning
•CS224w - Machine Learning with Graphs
•CS229 - Machine Learning
•CS230 - Deep Learning
•CS231n - Convolutional Neural Networks for Visual Recognition
•CS234 - Reinforcement Learning
•CS330 - Deep Multi-task and Meta-Learning
•CS25 - Transformers United
Carnegie Mellon University Courses
•CS 10-708: Probabilistic Graphical Models
•CS/LTI 11-711: Advanced NLP
•CS/LTI 11-737: Multilingual NLP
•CS/LTI 11-747: Neural Networks for NLP
•CS/LTI 11-777: Multimodal Machine Learning
•CS/LTI 11-785: Introduction to Deep Learning
•CS/LTI 11-785: Neural Networks
•CS/LTI Low Resource NLP
Massachusetts Institute of Technology Courses
•6.006 - Introduction to Algorithms
•6.S191 - Introduction to Deep Learning
•6.S094 - Deep Learning
•6.S192 - Deep Learning for Art, Aesthetics, and Creativity
DeepMind x UCL
•COMP M050 - Introduction to Reinforcement Learning
•Deep Learning Series
ai_machinelearning_big_data
👍33🔥11❤9🤔2
This media is not supported in your browser
VIEW IN TELEGRAM
🔦Relighting Neural Radiance Fields with Shadow and Highlight Hints
В данной работе представлен новый подход к изменении освещенности объекта на основе небольшого набора неструктурированных фотографий объекта, освещенного движущимся точечным источником света, отличным от позиции обзора.
🖥 Github: https://github.com/iamNCJ/NRHints
🚀 Project: https://nrhints.github.io/
📕 Paper: https://nrhints.github.io/pdfs/nrhints-sig23.pdf
⭐️ Dataset: https://github.com/iamNCJ/NRHints#data-and-models
ai_machinelearning_big_data
В данной работе представлен новый подход к изменении освещенности объекта на основе небольшого набора неструктурированных фотографий объекта, освещенного движущимся точечным источником света, отличным от позиции обзора.
git clone https://github.com/iamNCJ/NRHints.git
cd NRHints
pip install -r requirements.txt
🚀 Project: https://nrhints.github.io/
ai_machinelearning_big_data
Please open Telegram to view this post
VIEW IN TELEGRAM
👍8❤7🔥7
💻 В Москве прошла конференция по кибербезопасности OFFZONE 2023
Как мы уже писали ранее, конференцию провела компания BI.ZONE, партнер Сбера. В мероприятии поучаствовали безопасники, разработчики, исследователи, преподаватели и студенты технических вузов. Всего на ней выступили 108 экспертов, а общее число участников превысило 2500 человек.
О чем говорили на двух треках:
🔸как изменилась отрасль кибербезопасности за последние 10 лет;
🔸основные тренды кибермошенничества в финансовой сфере;
🔸лайфхаки в области mobile DevSecOps;
🔸необычные атаки с применением широко распространенных программ для удаленного управления;
и другое.
Также на площадке работали тематические зоны от специалистов по безопасности финансовых систем и банковской инфраструктуры, экспертов по безопасной разработке и анализу защищенности приложений, CTF.Zone и т.д.
Кроме того, в рамках OFFZONE 2023 прошла презентация об итогах года работы платформы BI.ZONE Bug Bounty. Так, на платформе зарегистрировались 17 компаний и 51 программа по поиску уязвимостей.
ai_machinelearning_big_data
Как мы уже писали ранее, конференцию провела компания BI.ZONE, партнер Сбера. В мероприятии поучаствовали безопасники, разработчики, исследователи, преподаватели и студенты технических вузов. Всего на ней выступили 108 экспертов, а общее число участников превысило 2500 человек.
О чем говорили на двух треках:
🔸как изменилась отрасль кибербезопасности за последние 10 лет;
🔸основные тренды кибермошенничества в финансовой сфере;
🔸лайфхаки в области mobile DevSecOps;
🔸необычные атаки с применением широко распространенных программ для удаленного управления;
и другое.
Также на площадке работали тематические зоны от специалистов по безопасности финансовых систем и банковской инфраструктуры, экспертов по безопасной разработке и анализу защищенности приложений, CTF.Zone и т.д.
Кроме того, в рамках OFFZONE 2023 прошла презентация об итогах года работы платформы BI.ZONE Bug Bounty. Так, на платформе зарегистрировались 17 компаний и 51 программа по поиску уязвимостей.
ai_machinelearning_big_data
👍6😁2🔥1
📌 SNARE (a multimodal alignment probing benchmark)
Scale multimodal alignment probing benchmark, to detect the vital linguistic components, e.g., lexical, semantic, and syntax knowledge,
Новый крупномасштабный мультимодальный бенчмарк, позволяющий обнаружить важные лингвистические компоненты в предварительно обученных моделях "vision-language ".
🖥 Github: https://github.com/wangfei-2019/snare
📕 Paper: https://arxiv.org/abs/2308.12898v2
⭐️ Dataset: https://paperswithcode.com/dataset/aro
ai_machinelearning_big_data
Scale multimodal alignment probing benchmark, to detect the vital linguistic components, e.g., lexical, semantic, and syntax knowledge,
Новый крупномасштабный мультимодальный бенчмарк, позволяющий обнаружить важные лингвистические компоненты в предварительно обученных моделях "vision-language ".
ai_machinelearning_big_data
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥6❤4👍2
🧑 FaceChain
Deep-learning toolchain for generating your Digital-Twin.
FaceChain — это набор инструментов машинного обучения для создания собственного цифрового двойника.
Всего из одной портретной фотографию, вы можете создать своего собственного цифрового двойника и начать генерировать персональные портреты с различными настройками.
🖥 Github: https://github.com/modelscope/facechain
📕 Paper: https://arxiv.org/abs/2308.14256v1
🖥 Colab: https://colab.research.google.com/drive/1cUhnVXseqD2EJiotZk3k7GsfQK9_yJu_?usp=sharing
⭐️ Dataset: https://paperswithcode.com/dataset/fairface
ai_machinelearning_big_data
Deep-learning toolchain for generating your Digital-Twin.
FaceChain — это набор инструментов машинного обучения для создания собственного цифрового двойника.
Всего из одной портретной фотографию, вы можете создать своего собственного цифрового двойника и начать генерировать персональные портреты с различными настройками.
ai_machinelearning_big_data
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
👍15❤7🔥6
📖 LongBench: A Bilingual, Multitask Benchmark for Long Context Understanding
LongBench includes 14 English tasks, 5 Chinese tasks, and 2 code tasks, with the average length of most tasks ranging from 5k to 15k, and a total of 4,750 test data.
LongBench - первый двуязычный, бенчмарк понимания длинных контекстов, позволяющий проводить тщательную оценку контекстов.
LongBench включает 21 датасет по 6 категориям задач на английском и китайском языках.
🖥 Github: https://github.com/thudm/longbench
📕 Paper: https://arxiv.org/abs/2308.14710v1
🤗 HF: https://huggingface.co/datasets/THUDM/LongBench
⭐️ Dataset: https://paperswithcode.com/dataset/youtube-vis-2021-validation
ai_machinelearning_big_data
LongBench includes 14 English tasks, 5 Chinese tasks, and 2 code tasks, with the average length of most tasks ranging from 5k to 15k, and a total of 4,750 test data.
LongBench - первый двуязычный, бенчмарк понимания длинных контекстов, позволяющий проводить тщательную оценку контекстов.
LongBench включает 21 датасет по 6 категориям задач на английском и китайском языках.
🤗 HF: https://huggingface.co/datasets/THUDM/LongBench
ai_machinelearning_big_data
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7👍4🔥2😐1
An Easy-to-use Instruction Generation Framework for LLMs.
EasyInstruct - это пакет Python для обучения больших языковых моделей (LLM), таких как
GPT-3, Llama, ChatGLM, в ваших исследовательских экспериментах. Он прост в использовании и легко расширяемый.pip install easyinstruct -i https://pypi.org/simpleai_machinelearning_big_data
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥11👍4❤1
This media is not supported in your browser
VIEW IN TELEGRAM
🔥Scaling up GANs for Text-to-Image Synthesis
1B-parameter GigaGAN, achieving lower FID than Stable Diffusion v1.5, DALL·E 2, and Parti-750M.
GigaGAN - 1B модель генерации изображений из текста. Высокая скорость генерации изображений 0.13 сек в разрешении 512px, на порядки быстрее других моделей.
🖥 Github: https://github.com/mingukkang/GigaGAN/tree/main/evaluation
⏩ Project: https://mingukkang.github.io/GigaGAN/
🎞 Video: https://www.youtube.com/watch?v=UyoXmHS-KGc
📕 Paper: https://arxiv.org/abs/2303.05511
⭐️ Dataset:https://paperswithcode.com/dataset/svamp
ai_machinelearning_big_data
1B-parameter GigaGAN, achieving lower FID than Stable Diffusion v1.5, DALL·E 2, and Parti-750M.
GigaGAN - 1B модель генерации изображений из текста. Высокая скорость генерации изображений 0.13 сек в разрешении 512px, на порядки быстрее других моделей.
🎞 Video: https://www.youtube.com/watch?v=UyoXmHS-KGc
ai_machinelearning_big_data
Please open Telegram to view this post
VIEW IN TELEGRAM
👍16🔥3❤2