基于对抗学习的美感驱动图像增强
本文提出了一种基于 GAN 的无监督图像增强模型 (UEGAN),利用调制机制和质量损失函数增强图像的视觉质量,消除专业照片编辑造成的风格化问题。我们的质量和定量实验验证了我们的模型的有效性。
Dec, 2020
通过使用轻巧的条件生成对抗网络,通过调制编码学习任务形式化低照度图像增强,从而学习从低光到正常光图像空间的一对多关系,使我们的推理模型轻松适应各种用户喜好,并在噪声和干净数据集上实现了有竞争力的视觉和定量结果。
Oct, 2021
本文提出了一种基于强化学习框架结合图像编辑软件的无配对图像增强方法,能够高效地实现两项任务:照片增强和美颜,得出的实验结果表明该方法相较于其他无配对学习方法具有更好的性能表现。
Dec, 2019
该论文提出了一种新颖的概念学习框架,用于增强视觉分类任务中模型的可解释性和性能,通过将非监督解释生成器附加到主分类器网络中,并利用对抗训练的方式,使模型从潜在表征中提取视觉概念并与人可解释的视觉属性隐式对齐,该方法的实验结果验证了其稳健性和产生一致的概念激活,同时研究了对抗训练协议中的扰动对分类和概念获取的影响,从而实现了构建具有任务对齐概念表征的内在可解释深度视觉模型的显著进展,为开发可信任的用于真实感知任务的人工智能提供了关键支持。
Jan, 2024
通过重新设计辨别器作为语义分割网络,直接使用给定的语义标签映射作为训练的地面实况,通过提供更强的监督和对空间和语义感知的辨别器反馈以及通过向生成器注入 3D 噪声张量进行全局和局部采样,我们能够合成更高保真度的图像,并实现高质量的多模态图像合成。
Dec, 2020
该论文概述了生成对抗网络 (GAN) 在农业图像分析中的应用,并对其在植物健康、水产养殖、动物饲养、果实检测等方面进行了系统回顾,讨论了 GAN 的挑战和机遇。
Apr, 2022
本文提出了一种名为 EnlightenGAN 的高效的非监督生成对抗网络,采用了无配对的训练数据来提高低光图像的质量,通过全局局部鉴别器结构,自我规范化的知觉损失融合和注意机制等方法,在不同种类的图像测试中表现优于其他方法。
Jun, 2019
本文利用大量未标注或弱标注的数据和生成式对抗网络作为背景,提出了一种半监督框架实现语义分割,其中利用推理出的大量虚假图片来强化真实数据的特征聚类;同时,通过提供分类级别信息,提高 GAN 生成图像的质量,进而改善了像素分类,该方法经过在几个挑战性的基准视觉数据集上测试,表现与当前的最先进语义分割方法相当。
Mar, 2017
提出了一种自动合成图像和分割掩模的方法,利用生成式对抗网络学习将图像分解成前景和背景层,生成高质量数据集并用于训练前景 - 背景分割网络,同时使用前景背景分割网络稳定分层 GAN 的训练。实验证明其生成质量和分割性能与相关方法相似。
Apr, 2021