用于内存高效图像翻译的可逆 GANs
本文提出了一种新颖的循环一致性逆向生成对抗网络 (CI-GAN) 框架,用于文本到图像生成和文本引导下的图像操作任务,在该框架中,我们采用循环一致性训练来学习更加稳健一致的潜变量,并通过学习文本表示与潜变量之间的相似度模型,在文本引导的优化模块中生成具有所需语义属性的图像,实验证明该框架具有良好的性能。
Aug, 2021
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
本文提出了 Semantic-aware Mask CycleGAN(SMCycleGAN)架构,可以将艺术画像翻译成照片现实视觉效果,该模型可以生成逼真的人类肖像,并通过向鉴别器馈送语义掩码的伪样本来强制其做出有用决策,以便对发电机进行优化以合成更逼真的人类肖像而不是将其他无关组件的相似度增加到最大。
Jun, 2023
介绍了一种新的结构,称为条件可逆神经网络(cINN),并将其用于解决自然图像的多样化图像到图像的转化任务。cINN 结合了纯生成 INN 模型和一个无限制的前馈网络,有效地将调节图像预处理为最大信息特征。通过最大似然优化,稳定地联合优化 cINN 的所有参数。利用双向 cINN 结构,进一步探索和操作潜在空间的新兴属性,例如以直观的方式更改图像风格。
May, 2021
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
通过将单一翻译分解为多阶段变换并开发一种自适应融合块,我们提出了新颖的堆叠循环一致性对抗网络(SCANs),以在粗糙到精细的方式下提高图像翻译质量并实现更高分辨率的图像翻译。
Jul, 2018
该研究论文探讨了将 Pix2Pix 框架应用于抽象地图图像转换为逼真地面实际图像的一种新方法,解决了这些图像在城市规划和自主驾驶训练等领域关键缺失的问题。研究详细介绍了 Pix2Pix 模型的应用,通过一组配对的地图和航拍图像数据集进行高保真度数据的生成,并且通过定制训练方案进行增强。结果展示了该模型在准确渲染复杂城市特征方面的能力,为广泛的实际应用提供了潜力。
Apr, 2024
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
本文对条件生成对抗网络进行研究和评估,采用编码器来反向映射 cGAN,可重建和修改真实图像,这种结合方式被称为可逆 cGAN,可对真实图像进行复杂的确定性修改。
Nov, 2016