本篇学习报告基于论文《Inverting Generative Adversarial Renderer for Face Reconstruction》。此论文提出一种新颖的生成对抗渲染器（Generative Adversarial Renderer，GAR），用于取代基于简单图形规则的可微分渲染器来完成三维人脸模型的重建任务。相关成果发表在2021 CVPR(Oral)。原文链接与代码地址见文末。
图1 论文截图
学习报告：用于人脸重建的反向生成对抗渲染器
《头文字D》里最经典的十款赛车
在以赛车为主题的动漫之中，《头文字D》享有极高的地位与流行度。除了情节紧凑、画风与制作出色之外，作品与现实高度贴合亦是这一步赛车动漫取得空前成功的重要因素。
在《头文字D》主线剧情里出现的车辆，清一色都是非常经典的现实车型。无论是因为动漫喜欢上赛车文化与跑车的动漫迷，还是因为本身就对赛车文化与跑车有了解在后来才看到了作品的车迷，无可否认，JDM三字已在他们心中成为了一种特别的情意结。
学习报告：基于小样本学习的脑电运动想象
论文题目为Gradual Relation Network: Decoding Intuitive Upper Extremity Movement Imaginations Based on Few-Shot EEG Learning。此论文研究了基于小样本学习的上肢运动想象问题。本文将会对此论文进行简单介绍，最后对此论文进行总结并提出一些相关思考。
背景
脑机接口(BCI)是一种连接用户和外部设备的通信工具。在实时BCI环境中，校准程序对于每个用户和每个会话都是特别必要的。这个过程消耗了大量的时间，这阻碍了BCI系统在现实世界中的应用。为了避免这个问题，作者采用了基于度量的小样本学习方法来解码直观的上肢运动想象，使用了一个渐进的关系网络从25名受试者获得了上臂、前臂和手与直观上肢运动相关的脑电数据。离线分析下的总体平均多类分类结果在1shots、5shots和25shots设置下分别为42.57%、55.60%和80.85%。此外，作者在五名受试者者的实时饮酒任务中的解码成功率为78%，证明了在线机器人手臂控制的可行性。
跟李沐学AI-动手学深度学习 PyTorch版-25 使用块的网络 VGG
跟李沐学AI-动手学深度学习 PyTorch版-24 深度卷积神经网络 AlexNet
跟李沐学AI-动手学深度学习 PyTorch版-23 经典卷积神经网络 LeNet
跟李沐学AI-动手学深度学习 PyTorch版-22 池化层
学习报告：基于原型网络的小样本学习方法
本篇学习报告基于论文《Prototypical Networks for Few-shot Learning》，该论文的主要贡献有两点：（1）对图像领域的Few-Shot／Zero-Shot（小样本/零样本）任务，应用设计简单的原型网络方法（见第二部分），在通用数据集上达到了较好的实验效果（见第三部分）；（2）对原型网络本身进行了较为深入的分析，且分析了距离度量方式的选择对任务效果的影响（见图3）。 原文链接及开源代码已置于文末。