ECCVMay, 2019

DRIT++: 基于解缠表示的多样化图像翻译

PDF
TL;DR本文提供了一种基于解开表示的方法来解决无配对训练图像文件的生成任务的多输出问题，并且提出了一个固定内容空间和可变属性空间的嵌入方式来生成多样化的输出。通过定量和定性实验，论文证明了该方法可以在不需要配对训练数据的情况下，生成出多样而且逼真的图像。
发现论文，激发创造
  • 基于分离表征的多样化图像翻译

    该研究提出了一种基于解缠表示的方法，用于在无成对的训练图像的情况下产生多样化的输出，在领域适应方面具有竞争性表现，并且在多种任务上可以生成多样化与逼真的图像。

    Aug, 2018

  • 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

  • 在多样化的图像翻译中控制偏见和多样性

    本文提出了一种针对失配图像到图像转换中的偏见问题的解决方案，通过引入语义约束确保图像属性的保留，从而实现不带偏见的多样化图像到图像转换。在人脸、物体和场景等领域的实验结果表明了所提出技术的有效性。

    Jul, 2019

  • 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

  • SDIT：可扩展和多样化跨域图像翻译

    本研究提出了一种名为 SDIT 的可扩展和多样化图像翻译方法，通过将多样性和可扩展性合并到一个生成器中，利用从正态分布中随机抽样的潜在变量来确定多样性，通过在网络中设置领域属性来获得可扩展性，并利用注意机制使生成器能够专注于领域特定的属性。该方法已在脸部映射和其他数据集上得到了验证和实际应用。

    Aug, 2019

  • 跨领域解缠图像转换

    本文提出了一种基于生成对抗网络和自动编码器的双向图像转换方法，通过交叉域解缠表示技术，将内部表示分离成共享部分和专有部分，并可在不需要标注数据的情况下实现多模数据分布下的区分和检索。在多模图像翻译任务中，该模型优于现有的最新模型，并在具有挑战性的数据集上表现出更好的结果。

    May, 2018

  • 基于检索引导的无监督多领域图像到图像翻译

    本文提出使用图像检索系统辅助图像翻译，从而生成更高质量的图片，实验结果表明该方案是有效的。

    Aug, 2020

  • 分离和适应：学习跨域解缠深度表示

    本研究提出了一种用于跨域图像特征提取和 unsupervised domain adaptation 的深度学习模型，实现了特征的 disentanglement 和适应，并在实验中证实了其有效性和优越性。

    May, 2017

  • 基于扩散的图像翻译：使用解缕分离的风格和内容表征

    本文提出了一种基于扩散的非监督图像转换方法，使用分离的风格和内容表征，并使用 ViT 模型中的中间键提取多头自注意层作为内容保存损失，并匹配文本驱动风格转移的 [CLS] 分类令牌，同时使用额外的 CLIP 损失，实验结果表明，该方法在文本引导和图像引导的转换任务中优于现有的基准模型。

    Sep, 2022

  • 一个用于多域图像翻译和操作的统一的特征解缠器

    本研究提出了一种新型的深度学习框架，能够从多个领域的数据中学习到不变的表示，通过对抗性训练和利用特定领域信息的能力，实现持续的跨领域图像转换和操纵，并相应地产生期望的输出图像。此外，所得到的特征表示在无监督域自适应方面表现出卓越的性能，也证明了该模型学习描绘跨领域数据的分离特征的有效性。

    Sep, 2018