文献出处1背景创建3D虚拟世界与内容创建工具的需求变得强烈。过去的许多工作缺乏3D几何细节、受限于可以生成的网络拓扑、不支持纹理、在合成过程中使用神经渲染器，因此在3D软件中的使用变得不平凡。2研究问题训练合成纹理网格的3D生成模型，可以被3D渲染引擎消耗，用于下游应用。完成上述所有需求。3研究思路将可微显式表面提取建模方法、可微渲染技术，2D生成对抗网络结合起来，从2D图像集合来训练模型。可微显式表面提取建模方法：直接优化和输出具有任意拓扑的纹理3D网格。可微渲染技术：用2D图像渲染模型，从而利用为2D图像合成开发的强大而成熟的鉴别器。综上两条，就可以轻松扩展模型以训练高达1024×1024
文献出处1背景创建3D虚拟世界与内容创建工具的需求变得强烈。过去的许多工作缺乏3D几何细节、受限于可以生成的网络拓扑、不支持纹理、在合成过程中使用神经渲染器，因此在3D软件中的使用变得不平凡。2研究问题训练合成纹理网格的3D生成模型，可以被3D渲染引擎消耗，用于下游应用。完成上述所有需求。3研究思路将可微显式表面提取建模方法、可微渲染技术，2D生成对抗网络结合起来，从2D图像集合来训练模型。可微显式表面提取建模方法：直接优化和输出具有任意拓扑的纹理3D网格。可微渲染技术：用2D图像渲染模型，从而利用为2D图像合成开发的强大而成熟的鉴别器。综上两条，就可以轻松扩展模型以训练高达1024×1024
?课程学习中心|?深度学习课程合辑|?课程主页|?中英字幕视频|?项目代码解析课程介绍AppliedDeepLearning是目前全网知识点覆盖最全的深度学习课程之一，需要两个学期的学习时长，主要面向研究生（也很适合有概率、统计学、数值线性代数和优化知识储备的本科生），目标是让学生熟悉行业中采用的最先进的深度学习技术。课程对于从深度学习诞生至今的各领域（深度学习模型结构研究、自然语言处理、计算机视觉、强化学习、图神经网络）典型模型，都有逐步的展开和讲解。跟随课程的学习，我们可以看到研究界的创新和思考过程，模型的迭代和优化过程，对于深度学习的各类模型和典型应用，有全面充分的理解。深度学习每隔几个
?课程学习中心|?深度学习课程合辑|?课程主页|?中英字幕视频|?项目代码解析课程介绍AppliedDeepLearning是目前全网知识点覆盖最全的深度学习课程之一，需要两个学期的学习时长，主要面向研究生（也很适合有概率、统计学、数值线性代数和优化知识储备的本科生），目标是让学生熟悉行业中采用的最先进的深度学习技术。课程对于从深度学习诞生至今的各领域（深度学习模型结构研究、自然语言处理、计算机视觉、强化学习、图神经网络）典型模型，都有逐步的展开和讲解。跟随课程的学习，我们可以看到研究界的创新和思考过程，模型的迭代和优化过程，对于深度学习的各类模型和典型应用，有全面充分的理解。深度学习每隔几个
?课程学习中心|?CV课程合辑|?课程主页|?中英字幕视频|?项目代码解析课程介绍MachineLearning是台大李宏毅老师讲授的机器学习课程，是国语授课中最受欢迎的AI课程之一，课程内容具备很好的前沿度，覆盖了机器学习与深度学习基础知识与研究界关心的新方向进展（损失函数、优化、神经网络、自注意力、transformer、GAN、领域自适应、强化学习、元学习）。李宏毅老师的课程通常辅以活泼贴近生活的案例来讲解，对大家理解和学习相关知识有很好的帮助。课程主题课程官网发布了课程主题，ShowMeAI对其进行了翻译。Whengradientissmall（局部最小值与鞍点）Errorsurfac
?课程学习中心|?CV课程合辑|?课程主页|?中英字幕视频|?项目代码解析课程介绍MachineLearning是台大李宏毅老师讲授的机器学习课程，是国语授课中最受欢迎的AI课程之一，课程内容具备很好的前沿度，覆盖了机器学习与深度学习基础知识与研究界关心的新方向进展（损失函数、优化、神经网络、自注意力、transformer、GAN、领域自适应、强化学习、元学习）。李宏毅老师的课程通常辅以活泼贴近生活的案例来讲解，对大家理解和学习相关知识有很好的帮助。课程主题课程官网发布了课程主题，ShowMeAI对其进行了翻译。Whengradientissmall（局部最小值与鞍点）Errorsurfac
?课程学习中心|?深度学习课程合辑|?课程主页|?中英字幕视频|?项目代码解析|?完整学习笔记课程介绍人工智能正在改变许多行业。本门课程可以帮助学习者了解深度学习的基础知识与挑战，并为参与前沿AI技术的开发做好准备，是非常好的入门学习选择。本门课程『DeepLearningSpecialization』可以帮助学习者掌握知识和技能，并邀请工业界与学术界的深度学习专家为大家提供职业发展建议，提供一条迈向AI世界的清晰途径。在本课程中，学习者将构建和训练神经网络架构，例如卷积神经网络、循环神经网络、LSTM、Transformers，并学习如何使用Dropout、BatchNorm、Xavier/
?课程学习中心|?深度学习课程合辑|?课程主页|?中英字幕视频|?项目代码解析|?完整学习笔记课程介绍人工智能正在改变许多行业。本门课程可以帮助学习者了解深度学习的基础知识与挑战，并为参与前沿AI技术的开发做好准备，是非常好的入门学习选择。本门课程『DeepLearningSpecialization』可以帮助学习者掌握知识和技能，并邀请工业界与学术界的深度学习专家为大家提供职业发展建议，提供一条迈向AI世界的清晰途径。在本课程中，学习者将构建和训练神经网络架构，例如卷积神经网络、循环神经网络、LSTM、Transformers，并学习如何使用Dropout、BatchNorm、Xavier/
Abstract1、提供了协作学习的系统概述2、简要介绍了完整性和隐私攻击3、详细介绍了现有的完整性和隐私攻击及其防御Introduction举例：医学图像分类、移动键盘预测协作学习：允许两个或多个参与者协作训练共享的全局DL模型，同时他们的训练数据集保留在本地。每个参与者用自己的训练数据训练共享模型，并与其它参与者交换和更新模型参数。模型完整性威胁：只有一个攻击者也可以破坏模型完整性隐私性：尽管不共享原始训练样本，但共享的更新是由样本生成的，间接泄露了训练数据集的信息。在训练过程中，可以从共享的梯度中捕获成员关系和无意的特征泄露。甚至可以从相应的更新中重构训练样本。为了实现拜占庭容错协作学习
Abstract1、提供了协作学习的系统概述2、简要介绍了完整性和隐私攻击3、详细介绍了现有的完整性和隐私攻击及其防御Introduction举例：医学图像分类、移动键盘预测协作学习：允许两个或多个参与者协作训练共享的全局DL模型，同时他们的训练数据集保留在本地。每个参与者用自己的训练数据训练共享模型，并与其它参与者交换和更新模型参数。模型完整性威胁：只有一个攻击者也可以破坏模型完整性隐私性：尽管不共享原始训练样本，但共享的更新是由样本生成的，间接泄露了训练数据集的信息。在训练过程中，可以从共享的梯度中捕获成员关系和无意的特征泄露。甚至可以从相应的更新中重构训练样本。为了实现拜占庭容错协作学习
