多模态无监督图像到图像转换的潜在过滤器缩放

CVPRDec, 2018

多模态无监督图像到图像转换的潜在过滤器缩放

Latent Filter Scaling for Multimodal Unsupervised Image-to-Image Translation

Yazeed Alharbi, Neil Smith, Peter Wonka

TL;DR我们提出了一种简单的方法，它能够在不增加超参数的情况下产生高质量的多模态输出，将潜在代码视为卷积滤波器的修改器，从而使源域内容与目标域风格解耦。

Abstract

In multimodal unsupervised image-to-image translation tasks, the goal is to translate an image from the source domain to many images in the target domain. We present a simple method that produces higher quality images than current state-of-the-art while maintaining the same amount of m

multimodal unsupervised image-to-image translation convolutional filters generative adversarial network variability disentanglement

发现论文，激发创造

多模式图像到图像翻译

利用条件生成模型和低维潜在向量，通过鼓励输出和潜在编码间的双射一致性的方法解决图像转换中一对多的映射问题，并产生更丰富多样的结果。

Nov, 2017

In2I ：基于生成对抗网络的无监督多图像到图像转换

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

通过学习解缠映像映射进行多映像转换

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

多模态无监督图像到图像的翻译

本研究提出了一种多模态无监督图像到图像的翻译框架 (MUNIT)，该框架可以将图像表示分解为内容代码和风格代码，从而能够生成来自给定源域图像的多样性输出，并能够通过提供示例样式图像来控制翻译输出的风格。该框架在对比最先进的方法的基础上，通过大量实验证明了其优势。

Apr, 2018

潜在翻译：通过连接生成模型跨越模态

本篇论文提出了一种基于先前训练的深度生成模型，利用潜变量空间进行无监督跨模态域迁移的新方法，并探索了通过学习一个后续接口来提高模块性的可能性。通过定量和定性的实验证明了该方法的有效性，证明了在迁移过程中局部性和语义对齐得到了保留，而且通过这种模块化结构可以大大加快新接口模型的训练速度。

Feb, 2019

用生成式对抗网络实现无监督图像翻译

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

无监督图像转换网络

本文介绍了一种基于共享潜在空间假设和 Coupled GANs 的无监督的图像到图像翻译框架，并在多个挑战性的无监督图像翻译任务中取得了高质量的翻译结果，同时也应用于域自适应并实现了最先进的基准数据集性能。

Mar, 2017

无监督图像转换中平滑解缕隐空间

本文提出了一种基于三个特定损失的新训练协议，并提出了一种新的评估度量来正确衡量 I2I 翻译模型的潜在风格空间的平滑性，实验结果表明该方法可以显著提高生成图像的质量和插值的渐进性。

Jun, 2021

无监督多领域多模态图像到图像转换与显式领域约束解耦

本文提出了一个使用无成对训练数据和单个网络同时训练不同域的多个数据集来学习生成多样化输出的统一框架，并研究了如何更好地提取域监督信息以学习更好的分离表征和实现更好的图像翻译的方法。实验表明，所提出的方法优于或与最先进的方法相当。

Nov, 2019

模块化生成对抗网络

本文介绍了一种名为 ModularGAN 的多领域图像生成和图像到图像转换的方法，利用可复用和可组合的不同功能模块（例如编码、解码、变换）同时训练，并在测试时根据具体的图像转换任务组合这些模块，以显著提高生成（或转换为）任何所需领域图像的灵活性，并在多领域面部属性转移方面胜过现有方法。

Apr, 2018