对比学习

Phoenixtree_DongZhao

Img-Diff: 多模态大型语言模型的对比数据合成ArxivGitHubHigh-performance Multimodal Large Language Models (MLLMs) rely heavily on data quality. This study introduces a novel dataset named Img-Diff, designed to enhance fine-grained image recognition in MLLMs by leveraging insights from contrastive le

【读点论文】All-In-One Image Restoration for Unknown Corruption用对比学习统一方法实现多种噪声图片的有效处理单幅图像复原旨在从给定的劣化对应关系（例如嘈杂、下雨或朦胧的图像）中生成视觉上令人愉悦的高质量图像。在过去的几年中，图像复原已广泛应用于从自动驾驶到医学成像和监控等许多现实世界应用中。尽管在去噪、去模糊、去雨和去雾等特定领域已经取得了有希望的成果，但图像恢复在实践中遇到了以下障碍。一方面，有必要了解正确的损坏（即退化）以选择有竞争力的模型，因为几乎所有现有方法都只能处理特定的退化。一旦退化类型甚至损坏率发生变化，由于实际情况与模型构建或训练所采用的先验不一致，模型将获得不理想的性能。

【AI视野·今日NLP 自然语言处理论文速览第七十二期】Mon, 8 Jan 2024AI视野·今日CS.NLP 自然语言处理论文速览 Mon, 8 Jan 2024 Totally 17 papers 👉上期速览✈更多精彩请移步主页

对比学习15篇顶会论文及代码合集，2023最新对比学习（contrastive learning）是现在无监督学习中一种常用的学习机制，它可以在没有标签的数据上进行学习，避免依赖大量标签数据，从而帮助我们更好地理解和利用数据集中的信息，提高模型的性能和表现。

一文解释对比学习对比学习是一种无监督学习技术，其核心思想是通过比较不同样本之间的相似性和差异性来学习数据的表示（features）。它不依赖于标签数据，而是通过样本之间的相互关系，使得模型能够学习到有意义的特征表示。

【学习笔记】计算机视觉对比学习综述本篇对比学习综述内容来自于沐神对比学习串讲视频以及其中所提到的论文和博客，对应的链接详见第六节。本篇博客所涉及的对比学习内容均应用在CV领域，算是到21年为止比较全面的对比学习综述内容讲解。对比学习作为一种自监督学习方法，其在CV领域的发展也印证着自监督学习的发展，科研工作者也在一步步揭开自监督学习的神秘面纱，通过构建不同的代理任务，采用不同的模型架构，来极力挖掘自监督学习的潜力。相信通过本篇博客的学习，你能够对对比学习有着更深刻的认识，万变不离其宗，当你领悟到对比学习的本质，你就能