基于深度卷积神经网络的 ImageNet 分类
ImageNet Classification with Deep Convolutional Neural Networks
深度卷积网络将数据、GPU 计算与表示学习结合，为现代视觉研究提供了重要起点。
THE RESEARCH ATLAS
去噪扩散概率模型
模型学习逐步反转加噪过程，为图像生成建立了重要的扩散建模路线。
Denoising Diffusion Probabilistic Models
为什么值得读
先理解去噪目标与采样，再看它如何延伸至图像生成和机器人策略。
引用
@misc{ho2020denoising,
title = {Denoising Diffusion Probabilistic Models},
author = {Jonathan Ho and Ajay Jain and Pieter Abbeel},
year = {2020},
eprint = {2006.11239},
archivePrefix = {arXiv},
primaryClass = {cs.LG},
url = {https://arxiv.org/abs/2006.11239}
}论文与代码版权归原作者；引用及许可请以原始来源为准。
相关研究
从自然语言监督中学习可迁移的视觉模型
Learning Transferable Visual Models From Natural Language Supervision
通过对比学习对齐图像与自然语言描述，使视觉表示能够迁移到新类别。
GPT-4 技术报告
GPT-4 Technical Report
报告介绍 GPT-4 的能力、评测与局限，同时并未公开所有训练细节。