MMAug, 2019

Mocycle-GAN：无配对视频到视频的转换

PDF
TL;DR本文提出了一个新的基于运动引导的循环一致性生成对抗网络，称为 Mocycle-GAN，该网络将运动估计集成到无配对视频翻译器中，可用于视频合成。通过对视频到标签和标签到视频的翻译进行广泛的实验，与最先进的方法相比，我们报告了卓越的结果。更明显地，我们定性地演示了我们的 Mocycle-GAN 在花朵和环境条件转移中的应用。
unsupervised image-to-image translationvideo synthesismotion-guided cycle ganmotion estimationspatio-temporal structures
发现论文，激发创造
  • 关于无监督图像到图像的转换和 GAN 稳定性

    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

  • Recycle-GAN: 无监督视频重定向

    该论文介绍了一种数据驱动的无监督视频重定向方法，它可以将一个领域的内容转化为另一个领域的内容，并保留原本领域的风格和特性，它将空间和时间信息与对抗损失相结合，用于内容转换和风格保护，尤其适用于时空转换等应用。

    Aug, 2018

  • 打破循环 -- 同事就是你需要的全部

    该研究提出了一种新的图像到图像的转换方法，通过多个 GAN 的协作实现多模态目标 ，可解决许多传统 GAN 存在的问题，包括不必要的痕迹、大物体移除以及形状变换困难等，实验结果在多个应用场景和数据集中都表现出优异的性能。

    Nov, 2019

  • 循环一致性对抗网络实现非配对图像之间的转换

    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

  • 用生成式对抗网络实现无监督图像翻译

    介绍了一种基于深度卷积神经网络以及条件生成式对抗网络的通用方法，通过非监督学习来解决图像转换问题，实现了不同域之间的图像转换，并且在多样性方面表现出了很好的通用性。

    Jan, 2017

  • Sem-GAN：语义一致的图片到图片转换

    Sem-GAN 提出了一种语义一致的 GAN 框架，用于多模态图像翻译任务。该框架引入了约束来保持源域的图像标识，同时确保翻译后的图像具有目标域的外观，还指出使用经 Sem-GAN 翻译的合成图像训练的语义分割模型可显著改善分割结果。

    Jul, 2018

  • 基于不确定性感知的鲁棒性循环一致性

    本文提出了一种基于不确定性感知的广义自适应周期一致性的概率方法，利用广义高斯分布对像素残差进行建模，提高了对于测试数据的强鲁棒性，提高了不成对图像转换的性能。

    Oct, 2021

  • 循环一致 GAN 的对抗性自卫

    本文研究了无监督图像翻译中的自我攻击问题，提出了两种防御技术，发现增强模型抵抗自我对抗攻击的能力能提高生成质量和重构可靠性，降低模型受低幅扰动的敏感度。

    Aug, 2019

  • 无配对视频到视频翻译的语义和时间一致性保持

    本文研究了无配对视频到视频翻译的问题，提出了一种新的框架，包括经过精心设计的生成器和鉴别器，以及两个核心目标函数：内容保持损失和时间一致性损失。经过广泛的定性和定量评估，证明了该方法相对于先前的方法具有更优越的性能。

    Aug, 2019

  • In2I ：基于生成对抗网络的无监督多图像到图像转换

    本文介绍了一种利用多个输入域来实现图像翻译的方案，使用基于生成对抗网络的多模式生成器结构和一种新的损失项，潜在一致性损失，实现了比现有无监督图像到图像转换方法更好的转换效果。

    Nov, 2017