深度学习开源视觉库对比，包含paddle，mmlab，detectron、huggingface等

使用深度学习模型推理，即使使用gpu，前几个批次也会格外的慢，使用预热来解决

利用这些强大的先验，我们开发了 DEEPTalk，这是一个会说话的头部生成器，它可以非自回归地预测码本索引以创建动态的面部运动，并结合了一种新的情绪一致性损失。广泛的实验表明，我们的方法获得了最先进的结果，保留了源身份，保持了细粒度的面部细节，并以非常高的准确性捕捉了细微的面部表情。此策略可增强 GAN 训练的稳定性，并确保生成的全身手势的表现力。例如，由于音频信号相对较弱，仅由音频驱动的方法有时

深度学习开源视觉库对比，包含paddle，mmlab，detectron、huggingface等

文章的核心在于原始的CLIP由于关注通用能力，缺乏对异常的感知，所以作者通过提升了文本分支对normal和abnormal的区分，提升了CLIP对异常的识别能力

简单总结本文的动机就是，transformer得益于自然语言的成功才被尝试用在视觉上，而在自然语言中，基于自监督预训练在transformer上取得了很大的成功（比如BERT），那在transformer用在视觉上是不是也可以用自监督取得好的效果呢？一、主要解决的问题ViT在视觉任务中的局限性监督学习下的Vision Transformer（ViT）相比卷积网络（ConvNets）尚未展现明显优势

工业质检领域，尤其是基于图像的工业缺陷检测领域，缺陷样本的收集可能非常困难，也就促生了无监督异常检测与zero-shot检测的研究方向，他们都不需要目标场景下的缺陷样本，因此大家可能会对他们的概念和具体使用场景存在疑问。因此本文重点对这两个任务进行介绍和对比。

torch转onnx中问题的解决思路，设计interpolate算子，instance norm， grid sampler

深度学习开源视觉库对比，包含paddle，mmlab，detectron、huggingface等

CCVPR2024异常检测新方法-RealNet学习