XiaoMi-AI文件搜索系统
World File Search System未配对
使用未配对的图像到图像翻译网络纠正气候模型模拟
摘要：我们评估了未配对的图像到图像翻译网络的适用性，以纠正通过全球大气循环模型模拟的数据。我们使用无监督的图像对图像翻译（单元）神经网络体系结构来映射在以南亚季风为中心的地理区域中的HADGEM3-A-N216模型和ERA5重新分析数据之间的数据，该区域中具有充分记录的严重偏见。单位网络构建了跨变量的相关性和空间结构，但产生的偏置校正比目标分布少。通过将单位神经网络与经典的分位数映射技术（QM）相结合，我们可以制定比任何一个单独的偏差校正。单元1 QM方案显示可以纠正单个变量的跨变量相关性，空间模式和所有边际分布。对这种联合分布的仔细校正对于化合物极端研究至关重要。
shunit：未配对图像到...
我们为未配对的图像到图像（I2i）翻译提出了一种新颖的解决方案。要将带有各种对象的复杂图像转换为不同的域，最近的十种方法使用对象注释来执行每类源源到目标样式映射。但是，我们在i2i中仍有一个要利用的意义。每个类中的一个对象由多个组件组成，所有子对象组件都具有不同的特征。例如，汽车类中的汽车由汽车车身，轮胎，窗户，头部和尾灯等组成，应分别处理它们以进行现实的i2i换算。问题的最简单解决方案将是使用比简单对象注释使用更详细的注释带有子对象组件的注释，但这是不可能的。本文的关键思想是通过利用In-of图像的原始样式绕过子对象的注释，因为原始样式将包括有关子对象组件的特征的信息。具体来说，对于每个像素，我们不仅使用源和目标域之间的每类样式差距，还使用像素的原始样式来确定像素的目标样式。为此，我们为未配对的i2i翻译（Shunit）提供了风格的协调。我们的回流通过从类存储器和原始源图像样式检索的目标域样式来生成新样式。我们的目标是源和目标样式的协调，而不是直接源到-target样式映射。源代码可在线获得：https：//github.com/bluejangbaljang/shunit。我们通过广泛的实验来验证我们的方法，并在最新的基准集合中实现最先进的性能。