面部图像反照明的标签去噪对抗网络(LDAN)
我们提出了一种用于面部化妆和卸妆的本地对抗去纽结网络(LADN),其中包括多个、重叠的本地对抗鉴别器,采用不对称损失函数来实现面部图像之间的局部细节转移。
Apr, 2019
该研究论文介绍了 Convolutional Dense Attention-guided Network (CDAN) 的工作原理和应用,在低光照条件下通过图像增强技术改善了图片的亮度、对比度和整体感知质量,并证明了其在计算机视觉任务中具有潜力,尤其在低光照条件下实现了稳健的目标检测和识别。
Aug, 2023
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
本文提出一种基于深度学习的图像重照明网络,包括场景重建、阴影先验估计和渲染器,能够在无需几何结构信息的情况下使图像在新的光源方向下重照明,并在 AIM2020 - Any to one relighting challenge 中取得最佳 PSNR 的成果。
Aug, 2020
该研究提出了一种名为 RenderGAN 的框架,该框架使用 3D 模型和生成对抗网络来生成计算机视觉任务中需要的大量现实且标记的图像,可用于深度卷积神经网络的训练,使其性能显著提高。
Nov, 2016
通过卷积神经网络,我们提出了一种新的盲目图像降噪 CNN 架构,该架构综合了三个架构组件,包括多尺度特征提取层,l_p 规范化器以及三步训练方法,并与现有方法相比表现出具有竞争力的降噪性能。
Aug, 2017
提出了 LEGAN 框架来处理在光照和表情方面极端变化的面部图像合成。该框架使用感知质量判断来处理灯光和表情子空间,并在向量转换到图像时进行提高精度的操作。通过使用客观指标 FID 和 LPIPS 以及主观方式来证明 LEGAN 与 StarGAN 和 StarGAN-v2 相比,其生成的面部图像具有更高的质量,并可用于表情识别和面部验证任务的训练数据扩充。
Oct, 2020
我们提出了一种新颖的轻量化生成对抗网络,使用自然语言描述来进行有效的图像操作。我们提出了一种新的单词级别鉴别器,为生成器提供细粒度的单词级别训练反馈,以便训练一个轻量级生成器,该生成器具有少量参数,但仍然能够正确地关注图像的特定视觉属性,然后进行编辑,而不会影响其他未在文本中描述的内容。与现有技术相比,我们的方法具有更少的参数数量,但仍然实现了有竞争力的操作性能。广泛的实验结果表明,我们的方法能够更好地解耦不同的视觉属性,然后正确地将它们映射到相应的语义词汇,从而使用自然语言描述实现更准确的图像修改。
Oct, 2020
本文提出了一种基于生成对抗网络 (GAN) 的自动面部老化方法,强调在改变面部属性的同时,保留原始人物身份。通过新颖的 GAN 潜在向量的 “身份保持” 优化方法,通过现有的面部识别和年龄估计解决方案,对所得到的老化和回复面部图像进行客观评价,证明了所提方法的高潜力。
Feb, 2017
本研究提出了一种全面的、端到端的生成对抗网络,结合了融合鉴别器 (FD-GAN),它可以更自然、更真实地生成去雾图像,并且已经在在公共合成数据集和真实世界图像上表现出最先进的性能,取得了更具视觉效果的去雾结果。
Jan, 2020