Sep, 2019

语义分割的极弱监督图像翻译

PDF
TL;DR本文旨在将有监督和无监督的图像翻译方法相结合，在像素到像素图像翻译领域取得了重大突破，提出了一种选择非常少的配对训练样本的方法，并在训练过程中同时使用这些配对样本和未配对样本，从而比 Random Selection 获得了更好的性能。
image-to-image translationgenerative modelsadversarial trainingsemantic image segmentationsupervised and unsupervised learning
发现论文，激发创造
  • 一种半匹配的标签到图像翻译方法

    本文提出了第一个半监督（半配对）的框架，用于标签到图像的翻译，使用输入重构任务并利用条件鉴别器来作为反向生成器，证明了所提出模型在标准基准测试中优于现有的无监督和半监督方法，同时使用更少的配对样本。

    Jun, 2023

  • 基于预训练 StyleGAN2 网络的无监督图像到图像的翻译

    通过在预训练的 StyleGAN2 模型上进行一系列的模型变换，我们提出了一种新的图像到图像 (I2I) 转换方法，并提出了一种反演方法，以在源领域和目标领域之间进行 I2I 翻译。定性和定量评估证明了该方法在图像质量、多样性和与输入和参考图像的语义相似性方面具有优越性能，与最先进的作品相比。

    Oct, 2020

  • TuiGAN: 使用两个非配对图像进行多功能图像翻译的学习

    本研究提出了一种名为 TuiGAN 的生成模型，该模型可以完成只有两个未经配对图像进行的 UI2I 任务，在 coarse-to-fine 的过程中将生成的图像从全局结构逐渐细化到局部细节。结果表明，该模型在各种 UI2I 任务上都优于基线模型并且可以达到使用足够数据训练的现有最先进 UI2I 模型的性能。

    Apr, 2020

  • 使用配对和非配对训练样本学习图像到图像的翻译

    本文提出了一种新的通用的图像到图像转换模型，可以同时利用配对和未配对数据进行训练，相比于传统方法性能得到显著提升，此外，研究中首次考虑了混合配对和未配对数据的情况。

    May, 2018

  • 少样本无监督图像到图像翻译

    本论文提出一种基于生成对抗网络和网络设计的少样本无监督图像转换算法，通过在基准数据集上的大量实验验证与多种基线方法比较，证明了提出的框架的有效性。

    May, 2019

  • 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

  • 适用于少样本图像翻译的半监督学习

    本文提出了一种半监督的方法，将少量的标记数据应用在源领域训练中，使用噪声容忍的伪标记过程进行半监督学习，并添加循环一致性约束来进一步利用未标记图像信息实现少量样本之间的图像转换。最终实验得到了优秀的结果，相较全监督方法减少了标记数据的要求。

    Mar, 2020

  • 基于生成先验的无监督图像到图像翻译

    本研究提出了一种新的框架，Generative Prior-guided UNsupervised Image-to-image Translation (GP-UNIT)，利用预训练的类条件生成对抗网络 (GANs) 的生成先验来跨越不同领域学习丰富的内容对应关系，并且我们还提出了一种新的粗粒度到细粒度的策略，通过在抽象的语义层面上捕捉一个强大的粗级内容表示来连接对象，进而为更准确的多层级内容对应学习适应性的细粒度内容特征。实验表明我们提出的方法优越性强，可适用于不同的领域和更挑战的任务。

    Apr, 2022

  • 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

  • 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