blank mug的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列評價、門市、特惠價和推薦等優惠

基於高效生成對抗網路的影片生成

為了解決blank mug的問題，作者蔡宗諺 這樣論述：

生成對抗網路在近幾年來獲得非常多的關注，透過此網路我們可以生成非常真實且高解析度的照片，然而，關於影片生成對抗網路的研究仍然有非常多的限制，多數高畫質影片的實驗都需要不只一個顯示卡來訓練，這是因為高畫質的照片主要都訓練在較大的模型上，額外的時間維度會導致資源的需求量成倍數成長。在這篇論文中。我們提出了FasterG3AN，能夠減少計算量和記憶體使用量，且比G3AN 有更好的畫面品質，提出的方法主要是更有效率地去混合空間流和時間流的資訊到影片流，還有利用淺層的特徵去協助深層的特徵進行學習，透過這樣的方法能讓深層的網路有更強的反向傳遞，此外，我們使用了自監督影片判別器來做正則化，讓判別器能提取更

廣泛的特徵，最後則是提出了block factorized self attention 來減少專注圖的空間複雜度。我們在Weizmann 資料集進行了大量的實驗來證明我們提出的每一個方法是有用的，並且在UCF 和MUG 的資料集透過視覺上和數據上的比較來展現整體結果的增益。

基於多屬性稀疏編碼之人體動作與人臉表情辨識

為了解決blank mug的問題，作者蘇德峰 這樣論述：

找到一個”好的”訊號表示方式，讓其可以更精準的表達訊號本身的結構、樣式與訊號間的關係一直都是研究人員致力研究的主題。近年來，稀疏編碼技術(sparse coding)在擷取訊號特性的優越性因而越來越受到矚目。經由更進一步的考慮群體特性，稀疏編碼技術在群體階層上產生良好的編碼結果。然而，個別的物體或是動作通常包含許多的資料屬性來描述物體或動作的特性。以動作辨識而言，動作可能包含了不同的視角、姿態與明暗情況。而傳統的稀疏編碼技術無法充分的利用這些特性來獲得更好的效能。因此，在這篇論文中，我們提出多屬性稀疏編碼技術，透過資料屬性的限制產生更好的結果來對具有多屬性的動作與人臉表情進行辨識。對動作辨識

而言，我們首先執行一個以過度分割(over-segmentation)為基礎的背景模型建立與前景切割以獲得人們在執行動作的外型輪廓。接著我們計算多區間的運動歷史影像(motion histogram image, MHI)來表達動作過程中的變化。而具有多屬性的動作可以用多個個別的屬性矩陣來描述這些屬性。這些屬性矩陣之後被整合到稀疏編碼的l_1最佳化式子中。透過這些資料屬性的矩陣，在選擇表示資料的基底時限制與強迫從具有相同屬性的群體中選出，藉以獲得更有效的資料表示結果。特別的是，我們的方法也適用在當訓練資料中只有少部分的資料是知道屬性的狀況(partially label)。此外，我們進一步的延

伸多屬性稀疏編碼技術，結合人臉上的動作單元(Action Units)來進行人臉表情辨識。動作單元不僅可以被表示為個別的屬性矩陣來描述人臉表情的群體特性，也可以做為一個在挑選基底時的限制，因為相同的人臉表情應該會具有非常類似的動作單元組合。而這些群體的限制與動作單元組合相似度的限制，都一起被整合到稀疏編碼的l_1最佳化式子中來辨識人臉表情。我們透過實驗在多個不同的公開多視角人體動作資料庫與人臉表情資料庫來展示我們方法的有效性與強健性，並獲得了很好的結果。