Jan, 2019

CSGAN: 用循环合成生成对抗网络进行图像转换

PDF
TL;DR本文提出了一种基于循环生成对抗网络（CSGAN）的图像转换方法，使用 Cyclic-Synthesized Loss 作为新的目标函数。该方法在 CUHK Face 数据集和 CMP Facades 数据集上的实验结果表明，相比 GAN、Pix2Pix、DualGAN、CycleGAN 和 PS2GAN 等最新技术方法，CSGAN 在 CUHK 数据集上表现最优，同时在 Facades 数据集上表现出很好的定量和定性综合性能。
image-to-image transformationgenerative adversarial networkscyclic-synthesized lossimage generationobjective function
发现论文，激发创造
  • CDGAN: 循环判别式生成对抗网络用于图像到图像转换

    本文介绍了一种名为 CDGAN 的图像到图像转换网络，该网络在原有 CycleGAN 框架中添加了附加的鉴别器网络，以生成高质量、更逼真的图像，并在三个基准图像到图像转换数据集上进行了测试，结果表明该方法优于现有的最先进方法。

    Jan, 2020

  • 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

  • PCSGAN：感知循环合成生成对抗网络 用于热红外与可见光图像转换

    介绍一种新的基于感知损失的生成对抗神经网络 (PCSGAN) 用于近红外 / 热成像图像转化，其在多种评估指标上超越了现有的图像转换模型。

    Feb, 2020

  • MRI 图像翻译的 CycleGAN 模型

    该研究提出了使用 CycleGAN 模型将神经图像从一种场强转化为另一种的方法，并将其与基于 DCGAN 结构的模型进行了比较，结果表明 CycleGAN 能够以较高的准确度生成合成和重构图像。

    Dec, 2023

  • 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

  • 双生成器对抗生成网络用于多域图像翻译

    该文介绍了一种基于生成对抗网络 (GANs) 的双生成器生成对抗网络 (G$^2$GAN) 方法，可以通过一种单一模型实现多个领域的非配对图像转换，并研究了不同的优化损失，以提高稳定性。该方法在 6 个公共数据集上进行广泛实验，证明了其相对于现有的 GAN 模型在模型容量和图片生成性能上具有卓越的优势。

    Jan, 2019

  • SingleGAN: 单一生成器网络利用多组生成对抗学习进行图像转换

    单个生成器的多领域图像翻译方法 SingleGAN，在多种无配对数据集上显示出明显的优势和普适性。

    Oct, 2018

  • 用于图像翻译的非对称生成对抗网络

    本文针对 GAN 模型在非对称翻译任务中的不足，提出了一种 AsymmetricGAN 模型，采用不对称大小和不同参数共享策略的翻译和重建生成器，以适应不对称需求，在无监督和有监督的图像翻译任务中，提出了不同的优化损失来提高 AsymmetricGAN 的训练效果和稳定性，并通过多个公开数据集的实验，证明了该模型比现有的 GAN 模型具有更强的模型能力和更好的生成效果。

    Dec, 2019

  • 循环中的循环生成对抗网络用于关键点引导的图像生成

    提出 C2GAN，一种新型循环生成对抗网络，用于关键点引导的图像生成，图像生成器和关键点生成器相互交错地连接在一个可端到端学习的框架中，并形成三个循环子网络，可生成更加逼真的图像。

    Aug, 2019

  • 周期内总生成：循环生成对抗网络用于生成人脸、手、身体和自然场景

    提出了一种基于循环的生成对抗网络模型 (C2GAN)，通过交互式方式联合分析输入图像和引导数据，实现了人脸、手、身体和自然场景的图像生成，通过循环子网实现输入域的重构，同时生成另一个循环所需要的有用输出，实现了跨模态信息的相互补充，并具有更为鲁棒优化的功能。

    Jun, 2021