SSAS：时空尺度自适应选择，以改善降水的偏差校正 我们开发了一种新颖的基于深度学习的模型，用于对降水数值预报进行后处理，称为时空尺度自适应选择。 [] [ ] [ ] 使用情况 我们提供run.sh（bash-> run.sh）以根据型号序列号（SNM）训练和测试降水校正器。 python - m torch . distributed . launch - - nproc_per_node = - - master_port = main . py - d - m -

自监督单眼场景流估计 来自两个时间连续图像的估计深度和场景流的3D可视化。 使用估计的场景流对中间帧进行插值。 （微调模型，在KITTI Benchmark上测试） 该存储库是从本文的官方PyTorch实施（ ）分叉的： 和CVPR ，2020年（口头报告） / 联系人：junhwa.hur [at] visinf.tu-darmstadt.de 入门 该代码已在Ubuntu 16.04上使用Anaconda（Python 3.7）， PyTorch 1.2.0和CUDA 10.0开发。

论文MelGAN的官方资料库：条件波形合成的生成对抗网络 以前的工作已经发现，使用GAN生成相干的原始音频波形具有挑战性。 在，我们表明通过引入一组体系结构更改和简单的训练技术，可以可靠地训练GAN以生成高质量的相干波形。 主观评估指标（平均意见得分，或MOS）显示了所提出的方法对高质量的Mel谱图反演的有效性。 为了建立所提出技术的通用性，我们在语音合成，音乐域翻译和无条件音乐合成中显示了模型的定性结果。 我们通过消融研究评估模型的各个组成部分，并提出一套指导原则，以设计用于条件序列合成任务的

纸 赵一豪，吴瑞海，董浩， ，ECCV 2020 代码用法 对于环境： conda env create -f acl-gan.yaml 对于数据集：数据集应以以下格式存储： \数据集 | \火车 | | \ trainA | | \ trainB | \测试 | | \ testA | | \ testB 为了训练： python train.py --config configs/male2female.yaml 测试： python test.py --config con