Buchumschlag

Sample what you cant compress

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Birodkar, Vighnesh, Barcik, Gabriel, Lyon, James, Ioffe, Sergey, Minnen, David, Dillon, Joshua V.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Unsupervised Learning of Disentangled Representations from Video
von: Denton, Remi, et al.
Veröffentlicht: (2017)

Do not trust what you trust: Miscalibration in Semi-supervised Learning
von: Mishra, Shambhavi, et al.
Veröffentlicht: (2024)

UISim: An Interactive Image-Based UI Simulator for Dynamic Mobile Environments
von: Xiang, Jiannan, et al.
Veröffentlicht: (2025)

TeLL Me what you cant see
von: Cavasin, Saverio, et al.
Veröffentlicht: (2025)

Learning Complex Non-Rigid Image Edits from Multimodal Conditioning
von: Warner, Nikolai, et al.
Veröffentlicht: (2024)

Do you see what I see? An Ambiguous Optical Illusion Dataset exposing limitations of Explainable AI
von: Newen, Carina, et al.
Veröffentlicht: (2025)

Image compositing is all you need for data augmentation
von: Shermaine, Ang Jia Ning, et al.
Veröffentlicht: (2025)

tenSVD algorithm for compression
von: Gallo, Michele
Veröffentlicht: (2025)

Sampling-guided exploration of active feature selection policies
von: Bernardino, Gabriel, et al.
Veröffentlicht: (2026)

Variational Bayes image restoration with compressive autoencoders
von: Biquard, Maud, et al.
Veröffentlicht: (2023)

Robustly overfitting latents for flexible neural image compression
von: Perugachi-Diaz, Yura, et al.
Veröffentlicht: (2024)

Match me if you can: Semi-Supervised Semantic Correspondence Learning with Unpaired Images
von: Kim, Jiwon, et al.
Veröffentlicht: (2023)

Efficient training for compact compression models via sequential distillation
von: Rodrigues, Caroline Mazini, et al.
Veröffentlicht: (2026)

Understanding when spatial transformer networks do not support invariance, and what to do about it
von: Finnveden, Lukas, et al.
Veröffentlicht: (2020)

When Worse is Better: Navigating the compression-generation tradeoff in visual tokenization
von: Ramanujan, Vivek, et al.
Veröffentlicht: (2024)

Detecting Backdoor Samples in Contrastive Language Image Pretraining
von: Huang, Hanxun, et al.
Veröffentlicht: (2025)

Robustness to distribution shifts of compressed networks for edge devices
von: Shen, Lulan, et al.
Veröffentlicht: (2024)

Reduced storage direct tensor ring decomposition for convolutional neural networks compression
von: Gabor, Mateusz, et al.
Veröffentlicht: (2024)

RLS3: RL-Based Synthetic Sample Selection to Enhance Spatial Reasoning in Vision-Language Models for Indoor Autonomous Perception
von: Waite, Joshua R., et al.
Veröffentlicht: (2025)

The Role of Recurrency in Image Segmentation for Noisy and Limited Sample Settings
von: Calhas, David, et al.
Veröffentlicht: (2024)

Advanced Knowledge Extraction of Physical Design Drawings, Translation and conversion to CAD formats using Deep Learning
von: M, Jesher Joshua, et al.
Veröffentlicht: (2024)

Latent Geometry of Taste: Scalable Low-Rank Matrix Factorization for Recommender Systems
von: Salako, Joshua
Veröffentlicht: (2026)

Selective experience replay compression using coresets for lifelong deep reinforcement learning in medical imaging
von: Zheng, Guangyao, et al.
Veröffentlicht: (2023)

Asymptotic Unbiased Sample Sampling to Speed Up Sharpness-Aware Minimization
von: Deng, Jiaxin, et al.
Veröffentlicht: (2024)

A Survey on Small Sample Imbalance Problem: Metrics, Feature Analysis, and Solutions
von: Zhao, Shuxian, et al.
Veröffentlicht: (2025)

The Online Patch Redundancy Eliminator (OPRE): A novel approach to online agnostic continual learning using dataset compression
von: Bayle, Raphaël, et al.
Veröffentlicht: (2025)

Visual Pre-Training on Unlabeled Images using Reinforcement Learning
von: Ghosh, Dibya, et al.
Veröffentlicht: (2025)

Benford's law: what does it say on adversarial images?
von: Zago, João G., et al.
Veröffentlicht: (2021)

$\mathbb{X}$-Sample Contrastive Loss: Improving Contrastive Learning with Sample Similarity Graphs
von: Sobal, Vlad, et al.
Veröffentlicht: (2024)

To which reference class do you belong? Measuring racial fairness of reference classes with normative modeling
von: Rutherford, Saige, et al.
Veröffentlicht: (2024)

Tensor network compressibility of convolutional models
von: Singh, Sukhbinder, et al.
Veröffentlicht: (2024)

Constrained Diffusion with Trust Sampling
von: Huang, William, et al.
Veröffentlicht: (2024)

Self-Refining Video Sampling
von: Jang, Sangwon, et al.
Veröffentlicht: (2026)

Sequential Posterior Sampling with Diffusion Models
von: Stevens, Tristan S. W., et al.
Veröffentlicht: (2024)

Discrete Langevin-Inspired Posterior Sampling
von: Amballa, Chaitanya, et al.
Veröffentlicht: (2026)

EXACT: How to Train Your Accuracy
von: Karpukhin, Ivan, et al.
Veröffentlicht: (2022)

Stochastic Sampling from Deterministic Flow Models
von: Singh, Saurabh, et al.
Veröffentlicht: (2024)

On the Trajectory Regularity of ODE-based Diffusion Sampling
von: Chen, Defang, et al.
Veröffentlicht: (2024)

Sampling Foundational Transformer: A Theoretical Perspective
von: Nguyen, Viet Anh, et al.
Veröffentlicht: (2024)

Amortized Posterior Sampling with Diffusion Prior Distillation
von: Mammadov, Abbas, et al.
Veröffentlicht: (2024)