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
我们研究了有条件的对抗性网络作为图像转换问题的通用解决方案,并展示了这种方法在从标签地图中合成照片,从边缘地图中重建对象和彩色化图像等任务中的有效性。
Nov, 2016
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
该论文综述了生成对抗网络在文本到图像合成方面的发展以及面临的挑战,提出了一些研究方向,包括评估指标、数据集和模型架构设计等方面的改进。
Jan, 2021
本文研究了儿童图书插图作为无配对图像转换的新领域,并提出了一种新的生成器网络来解决当前图像转换模型在样式和内容之间无法取得平衡的问题。同时,本文还提出了一种新的评估框架,通过单独的分类器来考虑内容和样式,并在插图数据集上表现更好。
Feb, 2020
本文研究了一种新的有条件的图像翻译方法,并基于 GAN 和双学习处理了无成对数据的问题。实验结果表明该方法有效。
May, 2018
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
该研究论文探讨图片到图片翻译的问题,以及如何在计算机视觉应用中如上色、修补和分割等方面应用无监督学习和生成对抗网络,并提出两种模型以解决 GAN 稳定性问题,并得出与文献讨论一致的问题假设。
Oct, 2023
本文介绍一种名为生成对抗训练的方法,用于提高深度神经网络对测试集和域外样本的泛化能力,并增强其抵抗未知对抗攻击的能力。
Sep, 2021
本文研究了无监督图像翻译中的自我攻击问题,提出了两种防御技术,发现增强模型抵抗自我对抗攻击的能力能提高生成质量和重构可靠性,降低模型受低幅扰动的敏感度。
Aug, 2019