Dec, 2017

无监督多领域图像转换与专用编码器 / 解码器

PDF
TL;DR我们提出了一种名为 Domain-Bank 的新型统一框架，该框架由一个全球共享的自编码器和 n 个特定领域的编码器 / 解码器组成，假设可以投影出一个通用共享潜在空间。除了高效率外，我们还在各种具有挑战性的无监督图像转换任务中展示了可比（甚至更好的）图像转换结果（包括人脸图像转换，时尚服装转换和绘画风格转换）。此外，由于该框架具有显式的域特定解码器及通用共享的潜在空间的表示，因此它还使我们能够进行增量学习来添加新的域编码器 / 解码器，并通过融合相应的解码器来获得不同域的表示的线性组合。
unsupervised image-to-image translationdomain-bankuniversal shared-latent spacedomain-specific encoders/decodersincremental learning
发现论文，激发创造
  • 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

  • 领域自适应的图像到图像翻译

    提出了一种无监督域适应的通用框架，利用添加额外的网络和损失函数，通过使用图像翻译框架和特征提取实现在无需目标域训练数据的情况下，测试源域训练的深度神经网络在不同的目标域上的能力，并在分类和分割任务上，应用于 MNIST、USPS、SVHN 和 Amazon、Webcam、DSLR Office 以及 GTA5 和 Cityscapes 数据集，取得了最先进的性能。

    Dec, 2017

  • 无监督多领域多模态图像到图像转换与显式领域约束解耦

    本文提出了一个使用无成对训练数据和单个网络同时训练不同域的多个数据集来学习生成多样化输出的统一框架，并研究了如何更好地提取域监督信息以学习更好的分离表征和实现更好的图像翻译的方法。实验表明，所提出的方法优于或与最先进的方法相当。

    Nov, 2019

  • 通过学习解缠映像映射进行多映像转换

    本研究提出了一种基于编码 - 解码框架和有条件对抗性训练的统一模型，用于实现多模态和多域图像翻译任务。实验结果表明，该方法优于现有的方法。

    Sep, 2019

  • 一次性无监督跨域翻译

    本篇论文讨论了单张图片从 A 领域转换到 B 领域的问题，提出了一种使用变分自编码器的训练方式，即先训练 B 领域自编码器模型，再根据待转换图片 x 创建 A 领域自编码器模型进行训练，本研究表明，该方法在只有一张样本图片 x 的情况下也能达到与现有领域转换方法相同的表现。

    Jun, 2018

  • 基于自编码器的无监督图像内容转移中的新兴解缕

    本文研究了如何在无监督学习的情况下，学会将 A 和 B 两个不同的数据领域进行映射，以使得 B 中的信息包含 A 中的所有信息并且增加一些附加信息。为此，采用了一个双通路编码器和一个解码器，并且采用了一些损失函数对两个域进行重建和区分度优化。实验结果表明，该方法比文献导向的翻译方法更为简单，并且在一些视觉领域中取得了令人信服的结果，例如 no-glasses 到 glasses 以及基于参考图像添加面部毛发等。

    Jan, 2020

  • 跨领域解缠图像转换

    本文提出了一种基于生成对抗网络和自动编码器的双向图像转换方法，通过交叉域解缠表示技术，将内部表示分离成共享部分和专有部分，并可在不需要标注数据的情况下实现多模数据分布下的区分和检索。在多模图像翻译任务中，该模型优于现有的最新模型，并在具有挑战性的数据集上表现出更好的结果。

    May, 2018

  • 探索显式领域监督在无配对图像翻译中的潜在空间解缠

    本文提出了一种基于显式域监督的非配对图像翻译框架 DosGAN，该框架使用分类网络提取每个图像的域特定特征，并使用另一个编码器提取域无关的特征，二者结合生成目标域的图像。该方法在多个数据集上进行了实验，证明了其有效性，并且可以进行任何两个图像之间的有条件翻译，而以前的模型不能处理此任务。

    Feb, 2019

  • 通过潜空间定位的领域可扩展非配对图像翻译

    提出了一种新颖的图像生成方法：latent space anchoring，可以实现在不需要调整现有域的编解码器的情况下扩展到新的视觉域，该方法通过学习轻量级编码器和回归器来将不同域的图像锚定到相同的冻结 GANs 的潜在空间中，并且其编码器和解码器可以任意组合进行图像翻译，实验表明，该方法在标准和可伸缩的 UNIT 任务上均表现优异。

    Jun, 2023

  • 双向单次无监督域映射

    本文研究了从一个只有单个样本的 $A$ 域到一个有更多丰富的训练样本 $B$ 域的映射问题，提出了一种使用一个编码器和一个解码器进行双向映射的方法，自动编码器被训练用于匹配 $B$ 域的潜空间和单个样本域，并成功地实现了 MNIST 图像转化为 SVHN 图像和 SVHN 图像转化为 MNIST 图像的映射，在单个样本域和多样本域之间的映射优于现有解决方案。

    Sep, 2019