ICCVJul, 2019

GA-DAN：用于场景文本检测和识别的几何感知域自适应网络

PDF
TL;DR本文提出了一种新颖的能够同时模拟几何空间和出现空间中的跨域移位的几何感知域自适应网络 (GA-DAN)，并可在具有非常不同特征的不同领域之间实现逼真的图像转换。在所提出的 GA-DAN 中，设计了一种新颖的多模态空间学习技术，它将源域图像转换为目标域中不同空间视图的多个图像。还引入了一种新的分离循环一致性损失 (loss)，来平衡外观空间和几何空间的循环一致性，并大大提高整个网络的学习性能，该 GA-DAN 在经典场景文本检测和识别任务中进行了评估，实验证明，在应用于网络训练时，域适应图像可以实现更好的场景文本检测和识别性能。
发现论文，激发创造
  • 面向域自适应语义分割的几何感知网络

    提出了一种新的基于几何感知网络的域自适应模型，通过利用更紧凑的三维几何点云表示来缩小领域差距，显式利用从 RGB-D 图像生成的点云的三维拓扑结构进行伪标签的细化，解决了估计二维深度时无法从根本上提取对象的内部三维信息的问题，并在 GTA5->Cityscapes 和 SYNTHIA->Cityscapes 两个领域中表现出的定量和定性的有效性，超越了现有的技术水平。

    Dec, 2022

  • 因果生成领域自适应网络

    本文提出了一种灵活的生成领域自适应网络 (G-DAN) 和因果生成领域自适应网络 (CG-DAN)，旨在通过建模特征的生成过程和使用低维潜在变量，学习和处理源域和目标域之间的分布变化，进而实现跨领域数据生成和预测。实验结果表明，这两种方法在合成和真实数据实验中都能有效地适应不同的领域。

    Apr, 2018

  • PointDAN：一种用于点云表征的多尺度三维领域自适应网络

    本文提出了一种用于点云数据的新型三维领域自适应网络 (PointDAN)，通过自适应节点模块和节点注意力模块对局部几何结构和全局特征进行多级联合校准以实现点云数据的三维领域自适应。

    Nov, 2019

  • 无监督像素级域自适应生成对抗网络

    本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

    Dec, 2016

  • 视觉域自适应的几何和统计联合对齐

    本文提出一种新的无监督领域自适应方法，称为联合几何和统计对齐（JGSA），可以通过统计和几何学方法同时减少源域和目标域之间的偏差。通过两个耦合投影，将源域和目标域数据投影到一维子空间中，同时减少几何偏移和分布偏移，并且目标函数可以高效地封闭求解。大量实验证明，所提出的方法在合成数据集和三个不同的实际交叉领域视觉识别任务上显著优于若干现有领域适应方法。

    May, 2017

  • 基于几何感知的单目深度估计对称域自适应

    本文提出了一种基于几何感知的对称域自适应框架 (GASDA)，将合成数据中的标签和现实数据中的极线几何 (epipolar geometry) 共同探索，通过训练两个图像样式转换器和深度估计器对称地建立端到端网络，实现更好的图像样式转换和深度图像生成。实验结果表明，该方法的效果显著，性能接近最先进技术水平。

    Apr, 2019

  • 深度领域泛化的多组分图像转换

    通过生成对抗网络生成的合成数据和应用 DA 方法到 DG 场景的协议，作者提出了两种方法来解决领域泛化挑战，并在四个跨领域基准数据集上进行了大量实验。实验结果表明，所提出的模型在 DG 方面优于当前最先进的方法。

    Dec, 2018

  • 通用人物再识别的双分布对齐网络

    本文介绍了一种双分布对齐网络 (DDAN)，通过选择性对齐多个源域的分布将图像映射到域不变特征空间，然后通过双层约束，即面向域的对抗特征学习和面向身份的相似性增强来处理人员重识别中的域泛化问题。量化结果表明，在大规模域泛化人员重识别基准测试中，DDAN 可以很好地对齐各种源域的分布，并显着优于所有现有的域泛化方法。

    Jul, 2020

  • 使用生成对抗网络的无监督领域自适应在航空影像语义分割中的应用

    本文研究利用生成对抗网络减少领域适应在空中图像语义分割中的影响，并在实验中测试表明，在 Potsdam 领域（源领域）到 Vaihingen 领域（目标领域）的转变中，该方法将整体准确性从 35% 提高到 52%。

    May, 2019

  • 3DAvatarGAN: 搭建领域以获得可个性化编辑的头像

    本文提出了一种适应性框架，它能够使 3D-GAN 在艺术数据上训练，同时保持多视角的一致性和良好的纹理质量，通过优化方法对摄像机参数进行分布对齐，提出了纹理常规化技术，同时避免退化几何解，并展示了一种变形技术，使艺术领域的几何形态更加夸张，可以个性化的进行几何编辑，最终实现了在艺术数据集上生成、编辑和动画化个性化的 3D 角色。

    Jan, 2023