Mar, 2018

通过投影校正：使用生成对抗网络去噪图像

PDF
TL;DR本文提出利用 GAN 学习到的流形对受损图像进行去噪，通过最小化图像空间中的距离来恢复潜变量并生成干净图像，在噪声估计上无需先验知识，相比传统信号处理方法有显著提高。
generative adversarial networksdenoisingimage recoverylatent vectorsnoise reduction
发现论文，激发创造
  • MimicGAN：强大的图像流形投影与噪声模拟

    提出了一种新的稳健投影技术 -- 误差模拟，可在测试时间内利用代理网络直接逼近未知的失真，从而使 GAN 在现实世界的应用中显著更加稳健，具有更高的准确性和性能。

    Dec, 2019

  • 从生成对抗网络中准确恢复潜在向量

    通过引入随机剪裁的梯度下降技术，我们实现了基于生成式对抗网络（GANs）生成的图像的编码的完美还原，并且该方法对噪声表现出鲁棒性，甚至可以用于恢复未知图像的编码。

    Feb, 2017

  • 探索人脸流形上的对抗性假图像

    本研究提出一种新的反 - 取证攻击方法，该方法利用梯度下降算法在 Style-GAN 的潜空间中搜索对抗性潜向量，生成高质量的假人脸图像，并能够成功地欺骗主流取证模型，从而达到反 - 取证的目的。

    Jan, 2021

  • 使用 GAN 进行图像去模糊

    该研究论文中介绍了深度生成模型在图像去模糊中的应用，通过利用生成对抗网络以及对抗学习框架，成功地生成了清晰度更高的图像，解决了图像模糊所带来的挑战，并在实际应用中产生了明显的效果。

    Dec, 2023

  • 接近完美的 GAN 逆转

    使用一种局部调整方法，本文提出了一种基于生成对抗网络（GANs）的反演算法，能够实现接近完美的真实照片复制，生成出不仅几乎无法区分，而且还容易编辑的合成图像，并证明了其对于多样性和包容性的重要性。

    Feb, 2022

  • 深度神经网络降噪的速率最优化

    使用生成网络和自编码器对带有噪声的图像进行去噪，当给定一个 $k$ 维码时，自编码器能将噪声能量减小到 $O (k/n)$，并且使用一个梯度算法的生成模型能将噪声能量降低到 $O (k/n)$。

    May, 2018

  • 深度生成图像模型的几何学及其应用

    本文基于几何学的角度探究 GAN 潜在空间的性质和图像变异机制，并提出一种基于网络结构的方法计算 GAN 图像多丽安流形的黎曼度量，这一方法可以有效地优化潜在空间的优化等应用，并便于解释变换维度。

    Jan, 2021

  • 学习清洁：GAN 透视

    该研究论文探讨了使用生成对抗网络（GAN）和 CycleGAN，将未配对的噪声和无噪声图像转化为配对的干净文档，以用于清理噪声扰动，实现文档清理的任务。

    Jan, 2019

  • 反演生成对抗网络的生成器

    通过先前训练好的 GAN 模型，将图像投影到潜在空间中以获取表示，我们可以在 MNIST 任务和 Omniglot 任务中成功地保留数字和字符的信息，这种方法可以应用于一次性学习。

    Nov, 2016

  • 3D GANs 和潜空间：综合调查

    本文研究生成对抗网络（GANs）中的潜在空间与三维对象的关系，探讨了几种 GAN 的变体和训练方法，旨在提高 3D GAN 的训练效果，同时提出了未来研究的方向。

    Apr, 2023