Nov, 2016

跨领域无监督图像生成

PDF
TL;DR本文介绍了一种 “Domain Transfer Network (DTN)” 算法，它可以通过学习生成一个映射函数，将一个领域中的样本转移到另一个领域，并能在保持其他函数不变的情况下，在包含多分类 GAN 损失的复合损失函数的指导下，增强互补函数，鼓励映射函数将样本从 T 到 T 自身，并且用于数字和面部图像等领域生成新的可信图像，同时保留它们的身份.
domain transfer networkdtngenerative functionmulticlass gan lossvisual domains
发现论文，激发创造
  • 跨领域生成对抗网络：无监督多领域图像翻译

    提出了一种无监督的图像翻译框架，使用一对编码器加上一对生成对抗网络来提取不同域之间的高级特征以生成逼真的多样化样本。该框架在许多图像转化任务上展示出与最先进技术相竞争的结果。

    Aug, 2020

  • 跨域对应实现小样本图像生成

    利用预训练的跨域远程监督来降低过拟合，使用锚定策略以鼓励不同程度的真实感，实现源域和目标域之间的自动对应和生成更多样化和逼真的图像的少样本学习模型。

    Apr, 2021

  • 无监督像素级域自适应生成对抗网络

    本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

    Dec, 2016

  • Twin-GAN -- 权重共享的无配对跨领域图像翻译 GAN

    本论文提出了一种框架，用于将一个领域的未标记图像转换为另一个领域的类似图像，并使用逐渐增长的跳跃连接编码器 - 生成器结构进行训练，其中应用了 GAN Loss、循环一致性 Loss 和语义一致性 Loss 来保持相同领域的翻译身份，并鼓励网络保留输入的语义特征。作者在人脸图像翻译任务上应用了该框架，并展示了它可以在没有监督一对一图像映射情况下学习人脸图像的语义映射。

    Aug, 2018

  • GAN 转移：从有限数据生成图像

    本研究探讨了利用预训练模型的知识迁移学习应用于生成式深度网络中的领域自适应，并发现该方法可以在目标数据有限时缩短收敛时间，显著提高生成图片的质量。

    May, 2018

  • 混合域图像翻译的 Sym 参数化动态推断

    该研究提出一个新的多域图像翻译方法，将 ` 多域 ' 的概念从数据扩展到损失区域，并学习每个域的混合特征，实现可动态推断混合域图像的翻译，无需任何目标域数据集。

    Nov, 2018

  • 探索显式领域监督在无配对图像翻译中的潜在空间解缠

    本文提出了一种基于显式域监督的非配对图像翻译框架 DosGAN，该框架使用分类网络提取每个图像的域特定特征，并使用另一个编码器提取域无关的特征，二者结合生成目标域的图像。该方法在多个数据集上进行了实验，证明了其有效性，并且可以进行任何两个图像之间的有条件翻译，而以前的模型不能处理此任务。

    Feb, 2019

  • 像素级领域转换

    本文提出了一种基于图像条件生成的模型，该模型在语义级别上将输入域转换为目标域，并在像素级别上生成目标图像。为了生成逼真的目标图像，我们采用了生成对抗网络中的真实 / 假的鉴别器，并引入了新颖的域鉴别器，使生成的图像与输入图像相关。我们通过生成一个穿着人物的输入图像来验证我们的模型，同时提出了一个高质量的服装数据集，成功地展示了不错的结果。

    Mar, 2016

  • 深度转移网络：无监督域自适应

    该论文提出了一种名为 Deep Transfer Network 的领域适应框架，其中高度灵活的深度神经网络用于实现分布匹配过程，在分类准确性和执行时间等方面取得了显著的改进。

    Mar, 2015

  • 领域自适应的图像到图像翻译

    提出了一种无监督域适应的通用框架，利用添加额外的网络和损失函数，通过使用图像翻译框架和特征提取实现在无需目标域训练数据的情况下，测试源域训练的深度神经网络在不同的目标域上的能力，并在分类和分割任务上，应用于 MNIST、USPS、SVHN 和 Amazon、Webcam、DSLR Office 以及 GTA5 和 Cityscapes 数据集，取得了最先进的性能。

    Dec, 2017