MMAug, 2019

SDIT：可扩展和多样化跨域图像翻译

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • DRIT++: 基于解缠表示的多样化图像翻译

    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。

    May, 2019

  • SMIT: 随机多标签图像翻译

    本文提出了一种联合框架，通过条件生成无数独特的图像，实现多样性和多映射图像到图像的翻译，使用称为领域嵌入的嵌入表示来表示领域和风格，并在连续的样式插值，连续标签插值和细粒度映射等不同场景下展示其有效性。

    Dec, 2018

  • DATID-3D: 使用文图扩散保持多样性的 3D 生成模型域适应

    DATID-3D 是一种适用于 3D 生成模型的领域适应方法，采用文本到图像扩散模型，在不收集附加数据的情况下，将源领域的最先进 3D 生成器微调为文本引导的目标领域，从而实现高分辨率、多视角一致的图像合成，并提出并演示了多样的 3D 图像操作。

    Nov, 2022

  • 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

  • S2ST：基于隐变分扩散种子空间的图像到图象翻译

    S2ST 是一个新颖的框架，用于在复杂的照片逼真图像中实现全局图像转换，如汽车场景的日夜或晴雨转换，通过利用由潜在扩散模型学习到的强大图像先验，S2ST 在改善保真度的同时保持了目标领域的外观，并超越了基于 GAN 的图像转换方法和基于扩散的方法，并值得注意的是，S2ST 免除了训练领域特定的转换网络的必要性。

    Nov, 2023

  • 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

  • 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

  • 频域图像翻译：更逼真的照片，更好的保持身份

    该研究提出了一种基于频域的图像翻译框架（FDIT），能够保留源领域的标志性特征，生成视觉质量更优且类真实的图像。

    Nov, 2020

  • 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