ECCVNov, 2017

高质量图像翻译的判别性区域建议对抗网络

PDF
TL;DR本文介绍了一种基于 DRPAN 的高质量图像到图像翻译模型，该模型将图像到图像翻译任务分解为三个步骤：生成一个具有全局结构但含有某些局部伪迹的图像（通过 GAN），然后使用 DRPnet 提出图像中最伪造的区域，并在最伪造的区域上通过修正器实现图像修补，从而逐步优化系统以生成更高质量的翻译结果。实验表明，该方法在各种图像到图像翻译任务和数据集上优于现有技术，并能以人类感知研究和自动量化度量等方面提供高质量的翻译结果。
image-to-image translationgenerative adversarial networksdiscriminative region proposal adversarial networksimage inpaintinghigh-quality
发现论文，激发创造
  • 感知对抗网络用于图像转换

    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

  • 双生成器对抗生成网络用于多域图像翻译

    该文介绍了一种基于生成对抗网络 (GANs) 的双生成器生成对抗网络 (G$^2$GAN) 方法，可以通过一种单一模型实现多个领域的非配对图像转换，并研究了不同的优化损失，以提高稳定性。该方法在 6 个公共数据集上进行广泛实验，证明了其相对于现有的 GAN 模型在模型容量和图片生成性能上具有卓越的优势。

    Jan, 2019

  • 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

  • 用生成式对抗网络实现无监督图像翻译

    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

  • In2I ：基于生成对抗网络的无监督多图像到图像转换

    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

  • DA-GAN：基于深度注意机制生成对抗网络的实例级图像翻译

    该论文提出了一种利用 Deep Attention GAN（DA-GAN）进行实例级图像翻译的新框架，可以在高度结构化的潜空间中将来自两个集合的样本进行转换，实例级的对应关系可以通过在学习到的实例对上进行注意力来发现，该方法在应用方面表现出了很好的效果。

    Feb, 2018

  • 可控图像翻译的统一生成对抗网络

    该研究提出了一种基于生成对抗网络的统一方法，实现可以由可控的结构来指导的多种图像转换任务，包括手势转换和跨视角图像转换，其性能显著优于其他基于深度学习的方法

    Dec, 2019

  • 模块化生成对抗网络

    本文介绍了一种名为 ModularGAN 的多领域图像生成和图像到图像转换的方法，利用可复用和可组合的不同功能模块（例如编码、解码、变换）同时训练，并在测试时根据具体的图像转换任务组合这些模块，以显著提高生成（或转换为）任何所需领域图像的灵活性，并在多领域面部属性转移方面胜过现有方法。

    Apr, 2018

  • 生成对抗网络压缩的可移植图像翻译模型

    提出一种基于知识蒸馏和对抗学习的方法，通过设计更加轻量化的学生生成器和判别器，来实现在移动设备上学习图像生成模型的目标，并在基准数据集上取得了较强的性能表现。

    Mar, 2020

  • AttentionGAN: 利用 Attention 引导的生成对抗网络实现非配对图像转换

    本文提出了一种新的基于注意力向导的生成对抗网络 (AttentionGAN)，通过生成注意力掩码来识别最具区别性的前景物体，并将生成的输出融合到注意力掩码中，从而获得高质量的目标图像，实验表明，相较于现有的竞争模型，该方法能够生成更鲜明和更现实的图像。

    Nov, 2019