Jun, 2018

对抗性场景编辑：弱监督下的自动物体去除

PDF
TL;DR本文旨在研发一种自动化、不需要交互即可实现目标物体移除的模型，其基于生成对抗网络框架，利用图像级别标签和非配对数据进行训练。通过两个关键贡献：一个由掩膜生成器和图像修复器组成的两阶段编辑器体系结构，以及一种基于 GAN 的先验模型，该模型能灵活地整合物体形状知识。我们在两个数据集上进行实验表明，该方法能够有效地去除各种不同的物体，仅需要较弱的监督学习。
发现论文，激发创造
  • 通过生成对抗和排序网络进行弱监督目标发现

    本文介绍了一种新颖的网络训练方法和学习目标，采用深度生成对抗网络以及新的相似度度量方法，用于发现图片中的多个对象实例、弱监督对象检测及排名 GAN，以实现对应用的提高和优化。

    Nov, 2017

  • 利用对抗擦除和伪标签改进弱监督目标定位

    该论文研究了一种弱监督对象定位的框架，通过仅使用图像和图像级别的类标签训练神经网络，旨在训练出能够同时预测对象类别和位置的神经网络，并通过采用对抗抹除和伪标签来提高定位准确性。在 ILSVRC-2012、CUB-200-2011 和 PASCAL VOC 2012 三个公开数据集上的实验结果表明，该方法在所有评估指标上都优于先前的最先进方法。

    Apr, 2024

  • 扰动生成模型中物体分割的出现

    本文介绍了一种无需人工注释即可学习如何从图像集合中分割对象的模型构建框架，通过训练分层场景的生成模型和特征向量编码器，结合阈值分割技术实现了真实图像中多类物体的自动识别与分割。

    May, 2019

  • 基于分割协作的弱监督目标检测

    本文提出了一种新型的端到端弱监督检测方法，将引入的生成对抗分割模块与传统检测模块相互作用，充分利用弱监督定位任务的互补解释，即检测与分割任务，形成更全面的解决方案，从而获得更精确的对象边界框。

    Apr, 2019

  • MARS：基于模型无关的有偏目标去除技术的弱监督语义分割

    我们提出了一个全自动 / 模型不可知的偏置消除框架 MARS，使用无监督技术的语义一致特征来消除伪标签中的偏置对象，在 PASCAL VOC 2012 和 MS COCO 2014 等数据集上取得了新的最先进结果。

    Apr, 2023

  • 半监督自修正语义图像分割网络

    本研究介绍了一种半监督框架，通过一个辅助模型和一个自我纠正模块，在只有一小部分完全有监督图像的基础上，使用具有目标边界框标签的图像和只有目标边界框标签的图像集（称为弱集），训练出高质量的语义分割模型，这种方法比传统大量完全有监督数据模型要求的标注工作量减少～7 倍。

    Nov, 2018

  • 从改进的层次 GAN 中学习前景 - 背景分割

    提出了一种自动合成图像和分割掩模的方法，利用生成式对抗网络学习将图像分解成前景和背景层，生成高质量数据集并用于训练前景 - 背景分割网络，同时使用前景背景分割网络稳定分层 GAN 的训练。实验证明其生成质量和分割性能与相关方法相似。

    Apr, 2021

  • OneGAN：条件图像生成、前景分割和细粒度聚类的同时无监督学习

    本研究提出了一种无需标注的无监督学习方法，结合了生成对抗网络和变分自编码器，实现了条件图像生成、前景分割、分级聚类、物体去除和背景补全等多项功能，并在相关任务上取得了最新的最优结果。

    Dec, 2019

  • 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

  • 基于对抗学习的美感驱动图像增强

    介绍了 EnhanceGAN，这是一种基于敌对学习的自动图像增强模型，利用弱监督二元标签学习美学图像增强算子，包括分段调色模块和基于深度滤波的美学增强器。其差分性使得能够在端到端的方式下训练 EnhanceGAN 进行美学图像裁剪和色彩增强，实验证明其具有良好的性能。

    Jul, 2017