CVPRDec, 2018

基于分组深度白化和上色变换的图像到图像翻译

PDF
TL;DR该论文提出了一种针对图像翻译的端对端方法，通过创新的正则化方法有效地逼近样本的风格转换，缩短了运算时间复杂度和误差率，进一步扩展了方法的适用范围，实验证明该方法在训练和推断时速度快，且高效地反映了样本的风格。
exemplar-based image-to-image translationadaptation instance normalizationstyle transfercovariance transformationend-to-end approach
发现论文，激发创造
  • 基于特征转换的通用风格迁移

    本論文提出了一種簡單而有效的方法，使用特徵轉換技術：白化和著色，實現了通用風格轉換，以轉換任意視覺風格並生成高質量的風格圖像。

    May, 2017

  • 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

  • 参数化色彩增强的监督学习与无监督学习

    该论文提出利用有监督和无监督学习的方式解决图像颜色增强问题，并通过参数化颜色变换技术提高了图像的质量，同时使用对抗生成网络实现了无配对数据的颜色增强。在 MIT-Adobe FiveK 基准测试上，该方法在有配对和无配对图像上都实现了最先进的结果，并通过 20 世纪早期的照片和暗视频帧的应用展示了该方法的泛化能力。

    Dec, 2019

  • XGAN: 无监督的多对多图像翻译

    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

  • 无监督图像对图像翻译的对比学习

    本文提出了一种无监督、基于对比学习的图像翻译方法，其主要思想是学习一个判别器，将不同的图像风格区分开来，并使其监督生成器将这些风格在图像之间进行转移。实验结果表明，该方法在视觉质量和翻译准确度方面优于当前领先的无监督基线模型。

    May, 2021

  • 基于预训练 StyleGAN2 网络的无监督图像到图像的翻译

    通过在预训练的 StyleGAN2 模型上进行一系列的模型变换，我们提出了一种新的图像到图像 (I2I) 转换方法，并提出了一种反演方法，以在源领域和目标领域之间进行 I2I 翻译。定性和定量评估证明了该方法在图像质量、多样性和与输入和参考图像的语义相似性方面具有优越性能，与最先进的作品相比。

    Oct, 2020

  • 具有语义一致性的示例引导无监督图像到图像翻译

    本篇文章介绍了 Exemplar Guided & Semantically Consistent Image-to-image Translation (EGSC-IT) 网络，并用 feature masks 实现了语义上的一致性。实验结果验证，EGSC-IT 能够保持语义上的一致性，从而有效地将源图像转换为目标域中的多样性实例。

    May, 2018

  • 基于样本的图像翻译中的不平衡特征转移

    本文提出了一种新的图像翻译框架，其中引入了最优传输进行条件输入和样式范例之间的特征对齐，该方法通过设计新的不平衡最优传输和语义激活规范化方案来构建精确的语义对应关系，并成功地将样式特征注入到图像翻译过程中，实验表明，该方法在多个图像翻译任务中实现了优异的定性和定量的效果，与现有技术相比具有更高的性能。

    Jun, 2021

  • 基于小波转换的光真实主义风格迁移

    本篇文章提出了一种基于小波变换和白化和彩色变换（WCT$^2$）的样式转换方法，该方法引入了一种理论上正确的修正网络架构，其可能性大大增强了感性质地和两种样式之间的转化，同时保持了结构信息和 VGG 特征空间的统计属性；此外，被提出的模型可以在 4.7 秒内完成 $1024 imes1024$ 分辨率图像的样式转换，且无需后期处理，具有稳定的视频样式转换。

    Mar, 2019

  • 基于记忆的无监督图像翻译

    提出了一个基于类别感知的记忆网络的无监督框架，可以针对局部风格差异进行实例级图像转换，而不是对整张图像应用全局风格。实验结果表明，该模型在实例级图像转换方面的性能优于最近的方法，并实现了最新的成果。

    Apr, 2021