Sem-GAN:语义一致的图片到图片转换
针对许多不成对图像翻译应用需要在翻译过程中保持输入内容的语义,而现有的分布匹配方法容易导致翻译出现意义的混淆,本文提出了一种基于对抗学习的方法来实现对输入内容的意义保护,称为 “语义鲁棒性”,该方法使用多尺度特征空间扰动对鲁棒性损失进行优化,能够有效降低输出的语义翻转现象,并在定量和定性方面优于现有方法。
Dec, 2020
本文提出了一种名为 XGAN 的双对抗自编码器,可以无监督地捕捉共同的领域语义内容,同时在两个方向上学习域与域之间的图像转换,并通过语义一致性损失函数来实现语义保留,并以公开数据集 CartoonSet 为基准来证明该方法的有效性。
Nov, 2017
本文介绍了一种基于生成对抗网络的数据增强方法,可以有效地解决卷积神经网络在训练和测试数据之间存在领域差异时性能显著降低的问题。实验结果表明,该方法在领域自适应上表现出优异的性能。
Feb, 2020
该研究论文介绍了一种用于图像翻译的无监督学习方法,采用对抗性和循环一致性损失将源域图像翻译到目标域中,并且在多项任务上的实验结果表明该方法优于之前的方法。
Mar, 2017
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
本论文提出了一种框架,用于将一个领域的未标记图像转换为另一个领域的类似图像,并使用逐渐增长的跳跃连接编码器 - 生成器结构进行训练,其中应用了 GAN Loss、循环一致性 Loss 和语义一致性 Loss 来保持相同领域的翻译身份,并鼓励网络保留输入的语义特征。作者在人脸图像翻译任务上应用了该框架,并展示了它可以在没有监督一对一图像映射情况下学习人脸图像的语义映射。
Aug, 2018
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
本文提出使用 HarmonicGAN 进行无配对图像转换,通过光滑性约束来实现一致的像素映射,并利用距离度量来维护样本的自我一致性。在医疗成像、物体转换和语义标记等应用中得到了明显的定性和定量改善,并取得了优于同类方法的实验效果。
Feb, 2019
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