固态继电器
PyTorch实施具有梯度引导的保留结构超分辨率（CVPR 2020）[ ] [ ]
如果您发现我们的工作对您的研究有用，请考虑引用：
inproceedings{ma2020structure,
title={Structure-Preserving Super Resolution with Gradient Guidance},
author={Ma, Cheng and Rao, Yongming and Cheng, Yean and Chen, Ce and
该存储库为“ ”提供了MegEngine实现。
要求
MegEngine 0.5.1（ ）
引文
如果您在研究中使用这些模型，请引用：
inproceedings{ma2020weightnet,
title={WeightNet: Revisiting the Design Space of Weight Networks},
author={Ma, Ningning and Zhang, Xiangyu and Huang, Jiaw
我们使用视差效果在单个2D图像上提供3D体验，即用户可以移动其实时跟踪的面部以可视化深度效果。 通过使用修复方法，该程序可以绘制丢失的背景，该背景现在可以通过用户的移动来访问。
修复方法和大部分代码取自：
Shih3DP20, Shih, Meng-Li and Su, Shih-Yang and Kopf, Johannes and Huang, Jia-Bin, 3D Photography using Context-aware Layered Depth Inpainting, IE
用于快速和可扩展的点云学习的Grid-GCN（CVPR2020）
请引用我们：
article{1912.02984,
Author = {Qiangeng Xu and Xudong Sun and Cho-Ying Wu and Panqu Wang and Ulrich Neumann},
Title = {Grid-GCN for Fast and Scalable Point Cloud Learning},
Year = {2019},
Eprint = {arXi
点神经网络
该存储库包含我们的的参考实现 CVPR 2020 。
如果您发现此代码对您的研究有用，请考虑引用我们的工作：
InProceedings{Point-GNN,
author = {Shi, Weijing and Rajkumar, Ragunathan (Raj)},
title = {Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud},
booktitle = {The IEEE C
超级BPD用于快速图像分割（CVPR 2020）
介绍
我们提出了基于方向的超级BPD（超像素的替代），用于快速的通用图像分割，以实现最新的实时结果。
引文
如果对您的研究有帮助，请在您的出版物中引用相关作品：
InProceedings{Wan_2020_CVPR,
author = {Wan, Jianqiang and Liu, Yang and Wei, Donglai and Bai, Xiang and Xu, Yongchao},
title = {Super-BPD: Super
