介绍了一种基于深度卷积神经网络以及条件生成式对抗网络的通用方法,通过非监督学习来解决图像转换问题,实现了不同域之间的图像转换,并且在多样性方面表现出了很好的通用性。
Jan, 2017
本文研究了一种新的有条件的图像翻译方法,并基于 GAN 和双学习处理了无成对数据的问题。实验结果表明该方法有效。
May, 2018
该研究提出了一种感知对抗网络(PAN)模型,通过将生成性对抗丢失和感知对抗丢失相结合,用于解决图像到图像的转换任务,并在多个任务上的实验中表现出优于许多相关的现有方法。
Jun, 2017
本文介绍了一种利用多个输入域来实现图像翻译的方案,使用基于生成对抗网络的多模式生成器结构和一种新的损失项,潜在一致性损失,实现了比现有无监督图像到图像转换方法更好的转换效果。
Nov, 2017
本文从几何学角度重新制定图像到图像翻译模型,提出了控制其泛化能力的条件,并对模型设计和数据集构建提出了指导性建议.
Jun, 2018
该研究论文介绍了一种用于图像翻译的无监督学习方法,采用对抗性和循环一致性损失将源域图像翻译到目标域中,并且在多项任务上的实验结果表明该方法优于之前的方法。
Mar, 2017
本文提出了一种新的对抗一致性损失函数用于无配对图像转换,它可以更好地处理像素级别的约束和几何变换,在去除大型物体和忽略不相关纹理方面表现出色,获得了当前三个有挑战性的图像转换任务,即眼镜去除、男变女和自拍变动漫的最好表现。
Mar, 2020
该研究介绍了使用深度学习的脸部修改系统以及生成 Deepfakes 图像的问题,进而探讨了生成对抗性攻击的方式来攻击这些系统,同时提出了灰盒攻击下的混叠频率的对抗攻击,并给出了代码实现。
本文研究了无监督图像翻译中的自我攻击问题,提出了两种防御技术,发现增强模型抵抗自我对抗攻击的能力能提高生成质量和重构可靠性,降低模型受低幅扰动的敏感度。
Aug, 2019
本文提出了一种基于条件生成对抗网络的图像描述框架,添加了 “辨别器” 网络去逐步判断生成的描述是人类描述还是机器生成的,该算法是通用的,能够提高任何现有的基于 RL 的图像描述框架,实验表明,这种方法在不同的语言评估指标上有一致的改进。