AlphaGAN: 自然图像抠图的生成式对抗网络

Jul, 2018

AlphaGAN: 自然图像抠图的生成式对抗网络

AlphaGAN: Generative adversarial networks for natural image matting

Sebastian Lutz, Konstantinos Amplianitis, Aljosa Smolic

TL;DR通过构建生成对抗网络的方式，训练了一个具有良好分类性能的判别器对自然图像进行抠图，并采用扩张卷积来提取全局上下文信息，从而实现了对头发等细微结构进行有效抠图。

Abstract

We present the first generative adversarial network (GAN) for natural image matting. Our novel generator network is trained to predict visually appealing alphas with the addition of the adversarial loss from the discriminator that is trained to classify well-composited images. Further,

generative adversarial network image matting encoder-decoder architecture convolutional neural networks hair

发现论文，激发创造

使用复合生成对抗网络逐部生成图像

本文提出了一种复合式生成对抗网络模型，通过多个生成器生成图片的不同部分，再进行 alpha 融合，实现生成更先进的高质量自然图像的初步探索。

Jul, 2016

上下文感知图像抠像：同时估计前景和 Alpha 值

本研究旨在提出一种上下文感知的自然图像抠图方法，通过使用两个编码器网络来提取本地特征和全局上下文信息，以同时估计前景和 alpha 遮罩。

Sep, 2019

GAGAN: 几何感知生成对抗网络

该论文介绍了一种新的图像生成方法，采用几何形状模型将几何信息纳入生成过程，生成出具有任意面部属性的逼真人脸图像。

Dec, 2017

AlphaGAN: 针对生成式对抗网络的全可微架构搜索

本文介绍了一种全可微分搜索框架 alphaGAN，用于优化生成式对抗网络（GANs）的网络架构。实验表明，该算法可以在仅使用 3 GPU 小时的情况下有效地优化高性能结构，且搜索过程是一种双层极小极大优化问题，采用全可微分的方式。

Jun, 2020

对抗引导下的人像抠图

本研究利用预训练的转换器模型（StyleMatte）为基于 StyleGAN3 的网络（StyleMatteGAN）提供图像 - 掩码对，这个网络可用于无监督训练并生成高分辨率的带透明通道的肖像，适用于各种图像合成任务。

May, 2023

基于注意力引导的生成对抗网络的无监督图像转换

本文提出了基于注意力机制的生成对抗网络 AGGAN，在生成图像时使用内置的注意力机制检测最具有辨别性的语义部分并最小化不需要的部分的变化，训练过程中同时考虑对抗损失、循环一致性损失、像素损失和注意力损失，实验表明 AGGAN 比现有模型能够生成更加清晰和准确的图像。

Mar, 2019

医学图像的生成对抗网络 (MI-GAN)

本文提出了一种新的医学影像生成对抗网络 (MI-GAN)，可以用于合成视网膜图像及其分割掩模，以进行医学影像的监督分析，结果证明其在 STARE 数据集和 DRIVE 数据集上性能表现优异，达到了当时的最佳状态。

Oct, 2018

自监督抠像人像增强与生成

本文提出了利用 GAN 模型的潜在空间中的语义图片转换，在不改变人像图片本质特征的前提下，通过针对性的损失函数对 StyleGAN 的多个潜在向量进行优化，以提高任意 matting 算法从未知人像背景中去除背景物体的性能，并利用 StyleGAN 生成的数据解决手动 alpha matting 标注的问题。

Aug, 2022

使用马尔科夫生成对抗网络预计算的实时纹理合成

本文提出了 Markovian Generative Adversarial Networks (MGANs) 的方法，用于训练具有高效纹理合成功能的生成神经网络。通过对 Markovian patch 的特征统计进行捕捉，可以直接生成具有任意尺寸的输出，从而使合成图像的速度显著提高，并在纹理合成、样式转移和视频样式化等领域得到应用。

Apr, 2016

基于引导上下文注意力的自然图像抠图

使用指导上下文关注模块的全新的端到端方法，以解决通过利用周围信息来估计本地不透明度的问题，并利用深度神经网络学习的丰富特征，成功地优于自然图像抠图中最先进的方法。

Jan, 2020