编辑:示例域感知的图像到图像翻译
该研究提出了一种基于样本的图像翻译框架,可以从输入的一个不同域的图像(如语义分割掩模、边缘地图或姿态关键点)中综合出真实感风格与样本图像中对应语义对象的一致的合成图像。通过联合学习交叉领域对应关系和图像翻译模型,两个任务相互促进从而可以在弱监督下学习。该方法在几项图像翻译任务中优于最先进的方法,图像风格传神并具有语义一致性。
Apr, 2020
本篇文章介绍了 Exemplar Guided & Semantically Consistent Image-to-image Translation (EGSC-IT) 网络,并用 feature masks 实现了语义上的一致性。实验结果验证,EGSC-IT 能够保持语义上的一致性,从而有效地将源图像转换为目标域中的多样性实例。
May, 2018
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
本研究提出使用领域特定映射来重新映射共享内容空间中的潜在特征到特定内容空间,以提高图像的编码质量和风格传递的效果。实验证明,与以往的图像风格转换方法相比,所提出的方法在需要图像间语义对应的复杂场景中表现得更好。
Aug, 2020
提出了一个用于样例图像翻译的新框架,称为 MATEBIT,其基于交叉域语义对应和全局风格编码,使用掩模和自适应变换器提高了匹配的准确性,并制定了新的对比风格学习方法来获得高质量图像生成。
Mar, 2023
本文提出了使用原型自监督学习控制风格关注的鉴别器,同时作为评论家和风格编码器来提供条件,以缓解现有图像到图像转换中标签不考虑语义距离所导致输出域控制和插值问题,并基于此进行风格插值,内容移植和局部图像转换。
Mar, 2022
本文介绍了一种名为 ModularGAN 的多领域图像生成和图像到图像转换的方法,利用可复用和可组合的不同功能模块(例如编码、解码、变换)同时训练,并在测试时根据具体的图像转换任务组合这些模块,以显著提高生成(或转换为)任何所需领域图像的灵活性,并在多领域面部属性转移方面胜过现有方法。
Apr, 2018
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