CVPRNov, 2017

使用相互一致性学习组合视觉概念

PDF
TL;DR本文提出了一种基于生成对抗网络的概念学习方法 ConceptGAN，该方法可用于联合从不同数据集中学习多个概念，并通过循环一致性实现数据增强以提高现实世界应用鲁棒性。实验结果表明，该方法能够生成语义上有意义的图像，并且在一次性人脸验证中取得了出色的效果。
semantic conceptsimage synthesisgenerative adversarial networksdata augmentationconcept learning
发现论文，激发创造
  • 组合生成对抗网络：学习图像条件下的二元组合

    本文提出 Composition-by-Decomposition 网络，采用两个独立分布的物体生成具有真实纹理和形状的合成图像，以此捕捉多物体之间的空间相互作用关系，从而在生成场景方面获得更好的效果。

    Jul, 2018

  • 文本与图像生成模型实现无监督组合概念发现

    本文介绍了一种基于无监督学习的方法，探讨反向问题 —— 如何从图像集合中发现代表每个图像的生成概念，进一步利用这些生成概念生成新的艺术和混合图像，并将其用作下游分类任务的一种表示。

    Jun, 2023

  • GAN 潜空间的视觉概念词汇

    本文介绍了一种新的方法，针对生成对抗网络（GAN）中的潜在空间建立无限制的基元视觉概念词汇表，该方法通过三个组件实现：(1) 基于层选择自动识别知觉显著方向；(2) 人工注释这些方向以自由形式的组成自然语言描述，以及 (3) 将这些注释分解为视觉概念词汇表，由单词标记的精简方向组成。实验表明，使用我们的方法学习的概念是可靠和可组合的 - 概念可以跨越类别、上下文和观察者进行概括，并且可以实现对图像风格和内容的精细操作。

    Oct, 2021

  • 场景图预测的生成组合增强

    通过使用合成的稀有场景图并基于条件生成对抗网络的模型，可以解决在场景图生成中面临的组合泛化问题，提高新颖组合成分的准确性

    Jul, 2020

  • 学习组合视觉协调性以进行互补推荐

    本文提出了一种新颖的内容注意力神经网络，可以模拟全局和语义结构的综合组成连贯性，并通过多个头部监督的全局连贯模块（GCL）和基于不同语义 / 关键区域的集中连贯学习模块（FCL）来学习集中连贯性，并在大规模真实世界数据上进行的实验表明，与几种最先进的方法相比，该方法的有效性得到清楚证明。

    Jun, 2020

  • 多视角一致性生成对抗网络用于 3D 感知图像合成

    提出了一种基于多视角一致性生成对抗网络（MVCGAN）的高质量 3D 感知图像综合方法，采用几何约束技术，利用深度和相机变换矩阵等信息实现多视角联合优化，同时采用两阶段训练策略和混合训练技术提高模型的生成图像质量，实验结果表明，本方法达到了最先进的性能水平。

    Apr, 2022

  • SCAN：学习分层组合视觉概念

    该论文介绍了一种名为 SCAN 的学习框架，可通过快速符号关联以无监督方式发现视觉基元并将其作为抽象概念来学习概念。SCAN 还可以通过符号指令遍历和操作视觉概念的隐式层次结构，并通过逻辑组合操作创建视觉概念的新组合，并能够生成多模态双向推断的结果。

    Jul, 2017

  • 语义合成图像

    提出利用语义布局来综合生成逼真图像的新方法，该方法建立了区域之间的依赖关系并通过动态加权网络实现，既保留了语义区分，同时加强了语义相关性，提高了全局结构和细节的合成质量。

    Sep, 2021

  • 利用对抗生成网络进行语义生成操作

    本文提出了一种对物体进行语义操纵的新的生成对抗网络方法，使用对比对抗目标而不是直接将合成样本接近目标数据，以生成具有高可视度和合理的对象语义的操作结果，并在多个语义操作任务上展示了我们的模型的优越性。

    Aug, 2017

  • 面向视觉文本呈现设计的组合感知图形布局生成对抗网络

    本文提出了一种基于图像元素的深度生成模型 CGL-GAN，并设计了域对齐模块 DAM 来缩小训练和测试输入之间的差距，进而生成符合美感直觉的高质量图形布局。

    Apr, 2022