Nov, 2019

AttentionGAN: 利用 Attention 引导的生成对抗网络实现非配对图像转换

PDF
TL;DR本文提出了一种新的基于注意力向导的生成对抗网络 (AttentionGAN)，通过生成注意力掩码来识别最具区别性的前景物体，并将生成的输出融合到注意力掩码中，从而获得高质量的目标图像，实验表明，相较于现有的竞争模型，该方法能够生成更鲜明和更现实的图像。
image-to-image translationattention-guided generative adversarial networksattention maskssharp and realistic imagesdiscriminative foreground objects
发现论文，激发创造
  • 基于注意力引导的生成对抗网络的无监督图像转换

    本文提出了基于注意力机制的生成对抗网络 AGGAN，在生成图像时使用内置的注意力机制检测最具有辨别性的语义部分并最小化不需要的部分的变化，训练过程中同时考虑对抗损失、循环一致性损失、像素损失和注意力损失，实验表明 AGGAN 比现有模型能够生成更加清晰和准确的图像。

    Mar, 2019

  • 无监督注意力引导的图像到图像翻译

    本研究提出了一种注意力机制结合无监督学习和对抗训练的图像转换方法，能够在不需要监督的情况下，准确地定位并转换图像中的特定对象，从而比现有技术实现更加逼真的图像转换。

    Jun, 2018

  • DA-GAN：基于深度注意机制生成对抗网络的实例级图像翻译

    该论文提出了一种利用 Deep Attention GAN（DA-GAN）进行实例级图像翻译的新框架，可以在高度结构化的潜空间中将来自两个集合的样本进行转换，实例级的对应关系可以通过在学习到的实例对上进行注意力来发现，该方法在应用方面表现出了很好的效果。

    Feb, 2018

  • 关注力感知生成式对抗网络 (ATA-GANs)

    本研究提出了一种基于生成对抗网络的训练方法，通过利用教师 - 网络生成的注意力图来提高图像生成的质量，以及在生成的图像上执行弱目标定位。该方法在 HEp-2 细胞图像上进行了研究，表明其可以进行弱定位。该方法可用于图像生成和数据注释，例如在目标检测中。

    Feb, 2018

  • SPA-GAN：用于图像翻译的空间注意力 GAN

    本文提出了 SPA-GAN，一种用于图像转换任务的新型空间关注 GAN 模型，它可以直接将注意机制引入到 GAN 体系结构中，以帮助生成器更加聚焦于源域和目标域之间的最具区分性的区域，从而产生更逼真的输出图像。在 SPA-GAN 训练中，引入了额外的特征图损失以保留域特定的特征，通过基准数据集上的定性和定量比较，SPA-GAN 相对于现有的引导注意力 GAN 模型表现出了更好的性能。

    Aug, 2019

  • U-GAT-IT：自适应层 - 实例归一化的无监督生成式注意力网络用于图像翻译

    本文提出了一种新的无监督图像到图像的转换方法，它通过引入一个新的注意力模块和一个可学习的规范化函数，以端对端的方式来实现。

    Jul, 2019

  • SingleGAN: 单一生成器网络利用多组生成对抗学习进行图像转换

    单个生成器的多领域图像翻译方法 SingleGAN，在多种无配对数据集上显示出明显的优势和普适性。

    Oct, 2018

  • AttnGAN: 使用注意力生成对抗网络进行精细化文本到图像生成

    本文介绍了一种利用注意力机制生成对抗网络的方法，能够通过自然语言描述中的相关单词对图像的不同子区域进行精细的细节合成，并提出了一种深度的注意力多模式相似度模型，用于训练这个生成器。实验结果显示，在两个数据集上，这种注意力机制生成对抗网络都优于先前的最先进方法。

    Nov, 2017

  • 双生成器对抗生成网络用于多域图像翻译

    该文介绍了一种基于生成对抗网络 (GANs) 的双生成器生成对抗网络 (G$^2$GAN) 方法，可以通过一种单一模型实现多个领域的非配对图像转换，并研究了不同的优化损失，以提高稳定性。该方法在 6 个公共数据集上进行广泛实验，证明了其相对于现有的 GAN 模型在模型容量和图片生成性能上具有卓越的优势。

    Jan, 2019

  • 用于图像翻译的非对称生成对抗网络

    本文针对 GAN 模型在非对称翻译任务中的不足，提出了一种 AsymmetricGAN 模型，采用不对称大小和不同参数共享策略的翻译和重建生成器，以适应不对称需求，在无监督和有监督的图像翻译任务中，提出了不同的优化损失来提高 AsymmetricGAN 的训练效果和稳定性，并通过多个公开数据集的实验，证明了该模型比现有的 GAN 模型具有更强的模型能力和更好的生成效果。

    Dec, 2019