CVPRJan, 2020

面向视觉识别的细粒度图像转换

PDF
TL;DR本研究针对图像变换任务中的身份标签保留问题，通过对生成对抗网络的模型改进，提出了一种保留输入图像身份的图像变换方法，并在 CompCars 和 Multi-PIE 数据集上进行了大量实验证明了模型的实际效用，尤其是在细粒度少样本学习任务上。
image-to-image transformationidentity preservationfine-grained image recognitiongenerative adversarial networksfew-shot learning
发现论文，激发创造
  • 可学习的语义数据增强的细粒度识别

    通过特征级别的数据增强和协方差预测网络，我们提出了一种改善细粒度图像识别的方法，可以有效区分细分类别，提高泛化性能。

    Sep, 2023

  • 走向自动图像编辑：学习看到另一个自己

    本研究基于深度卷积神经网络，针对图像生成中的属性变换问题，在两个面部数据集上进行了有量有质的实验，并取得了较为有前途的结果。

    Nov, 2015

  • 细粒度图像搜索的对抗学习

    本论文提出了一种名为 FGGAN 的端到端网络，通过从多视角图像中隐式学习几何变换的方式来学习判别性表征，进而解决精细图像检索中由于姿态变化造成的难点；该网络使用生成式对抗网络（GAN）自动处理复杂视角和姿态的差异，并在开放集情况下能够更好地匹配来自未见过和未知的细粒度类别的图像，与基线相比实现了 10% 的相对改进。

    Jul, 2018

  • 基于 3D GAN 的大姿态人脸识别改进

    研究使用生成的合成数据进行面部识别的训练。通过在 GAN 的产生器中引入 3D 可塑模型，实现了从实际图像中学习非线性纹理模型，从而生成新的合成身份，同时操作姿势、照明和表情，而不会影响身份。最终使用生成的数据增加现有面部识别网络的训练，性能得到改善。

    Dec, 2020

  • 面部合成中开放式身份保持的探索

    提出了一种基于生成对抗网络 (GAN) 的框架，以在开放领域中保留身份的人脸合成中，区分脸部的身份和属性。它可以方便地重新组合不同身份和属性，以合成身份保持的面部。

    Mar, 2018

  • 生成融合图像：一个人的身份和另一个人的形状

    提出了一种新的基于生成敌对网络 (GANs) 的网络，可以在无监督的情况下同时训练两个或两个以上的图像数据集，并利用定义的相同损失 LI 和形状损失 LS ，以及一种名为 Min-Patch 训练的新训练方法，使其可以生成一个拥有输入图像 x 的身份和输入图像 y 的形状的融合图像。在 VGG Youtube 姿势数据集、Eye 数据集 (MPIIGaze 和 UnityEyes) 和 Photo-Sketch-Cartoon 数据集上展示了定性结果。

    Apr, 2018

  • 生成逼真的训练数据以提高人脸识别准确性

    本文研究使用合成数据来增强面部数据集的可行性。我们提出了一种新颖的生成对抗网络（GAN），可以将相关身份属性与非相关身份属性区分开来。我们的 GAN 能够生成数据增强的合成图像，并且该模型可以提高面部识别模型的准确率。

    Oct, 2018

  • 超越脸部旋转：全局和局部感知 GAN 用于逼真且保留身份特征的前方合成

    本文提出了一种基于 TP-GAN 网络的真实主观正面合成方法，通过引入对局部纹理的注意力网络，并结合对称损失、身份保留损失等方式来解决这个本质上存在不确定性的挑战性问题。实验结果表明，该方法不仅在感知结果上表现出色，而且在大角度人脸识别方面也优于现有的最新方法。

    Apr, 2017

  • 通过非对称训练生成细粒度图像的 CVAE-GAN

    本文提出一种融合自编码器和生成式对抗网络的变分生成式对抗网络模型，用于合成细粒度类别中的图像。该模型采用交叉熵损失和均值偏差目标函数，学习潜在属性和标签对图像的影响关系，并利用特征匹配保持生成图像的结构。实验结果表明该模型可以生成高度写实、具有细粒度标签的图像。

    Mar, 2017

  • 语义脸部图像合成的对抗性身份注入

    通过使用一个交叉注意力机制来合并身份、风格和语义特征生成尽可能与输入相似的人脸的 SIS 架构，不仅适用于保护身份，而且在面部识别对抗攻击中也是有效的。

    Apr, 2024