AAAIJun, 2019

基于图像自适应 GAN 的重建

PDF
TL;DR本研究针对深度生成模型如变分自编码器和生成对抗网络在高复杂度图片样本表现的不足，提出一种图像自适应的修复方案，增强复原的表达能力。在图像超分辨率和压缩感知方面进行了实证表明其优势。
deep generative modelsvariational auto-encodersgenerative adversarial networksimage-adaptivecompressed sensing
发现论文，激发创造
  • 基于物理学的生成对抗模型用于图像修复及其它领域

    该研究提出了一种基于生成模型和对抗学习的图像恢复算法，并通过物理模型约束学习提高了生成对抗网络的图像生成质量，具有在多种低级视觉问题中应用的广泛适用性。

    Aug, 2018

  • 生成变分自编码器无监督真实图像超分辨率

    本文提出了基于生成模型的感知图像超分辨率方法，结合变分自编码器实现了联合降噪和超分辨率，使用条件生成对抗网络实现了具有良好视觉效果的图片超分辨率，并通过实验验证了该方法的有效性。

    Apr, 2020

  • StyleGAN 诱导的数据驱动正则化用于反问题

    通过使用预训练的 StyleGAN2 生成器构建先验分布，将学习的贝叶斯重建与生成模型相结合，实现了对图像修复和超分辨率重建问题的解决，与现有 GAN 图像重建方法相比表现更好。

    Oct, 2021

  • 基于 GAN 的红外图像超分辨率

    生成模型在红外图像超分辨率应用中的潜在领域和挑战，以及采用的对抗训练方法的简要概述。

    Dec, 2023

  • 基于流形和感知损失的强鲁棒性超分辨率 GAN

    该研究提出了一种新的损失函数，它对临床训练数据集的缺失更为稳健，并应用到使用深度神经网络进行超分辨率图像处理领域中。通过自动编码器进行流形距离，使超分辨率图像与高分辨率图像保持相似的纹理内容，达到匹配人类对结构、亮度和对比度的感知效果。作者在大规模临床数据集上进行了实验验证，并将其与现有技术进行了比较。

    Mar, 2019

  • GAN 的实例选择

    本文提出了一种改进样本质量的新方法：在模型训练之前通过实例选择来改善经验数据分布，将模型容量重定向到高密度区域，从而提高样本保真度，降低模型容量要求和显著减少训练时间。

    Jul, 2020

  • 图像细粒度修复

    本文提出了一种利用扩张卷积密集组合，通过设计自主回归损失、几何对齐约束项和具有局部和全局分支的判别器等方法改进图像修复的 GAN 模型。实验表明，该方法在多个公共数据集上都优于现有的最先进方法。

    Feb, 2020

  • 训练 GAN 的改进技术

    本文中我们应用各种新的架构特点和训练流程来改进生成对抗网络（GANs）框架，并着重讨论了 GANs 的两个应用程序：半监督学习和图像生成。使用我们的技术，我们在 MNIST，CIFAR-10 和 SVHN 的半监督分类方面取得了最先进的成果，并呈现了高质量的生成的 MNIST 和 CIFAR-10 图像样本和 ImageNet 样本，呈现出 ImageNet 类可识别特征的学习过程。

    Jun, 2016

  • 使用生成对抗网络的照片级单图像超分辨率

    本文提出了 SRGAN 框架，通过引入对抗性损失和感知损失函数，成功应用 GAN 进行图像超分辨率，能够生成 4 倍放大因子下的自然真实图像。大量实验和 MOS 测试证明 SRGAN 在视觉效果上具有显著的优势。

    Sep, 2016

  • 使用 GAN 进行视频增强的超分辨率研究调查

    这篇论文总结了使用深度学习算法，如生成对抗网络，进行超分辨率图像和视频研究的最新进展，提供了改进图像和视频质量的方法，如递归学习、新颖的损失函数、帧率增强和注意力模型集成。这些进展对于增加低分辨率视频的视觉清晰度和质量具有巨大潜力，可应用于监控技术、医学成像等多个领域。此外，这个集合还深入研究了生成对抗网络的更广泛领域，探讨了它们的原理、训练方法以及在各个领域的应用，同时强调了人工智能领域中不断发展和变化的挑战与机遇。

    Dec, 2023