MMJan, 2020

CDGAN: 循环判别式生成对抗网络用于图像到图像转换

PDF
TL;DR本文介绍了一种名为 CDGAN 的图像到图像转换网络，该网络在原有 CycleGAN 框架中添加了附加的鉴别器网络，以生成高质量、更逼真的图像，并在三个基准图像到图像转换数据集上进行了测试，结果表明该方法优于现有的最先进方法。
generative adversarial networks (gans)image-to-image transformation networkcyclic discriminative generative adversarial networks (cdgan)discriminator networksstate-of-the-art methods
发现论文，激发创造
  • CSGAN: 用循环合成生成对抗网络进行图像转换

    本文提出了一种基于循环生成对抗网络（CSGAN）的图像转换方法，使用 Cyclic-Synthesized Loss 作为新的目标函数。该方法在 CUHK Face 数据集和 CMP Facades 数据集上的实验结果表明，相比 GAN、Pix2Pix、DualGAN、CycleGAN 和 PS2GAN 等最新技术方法，CSGAN 在 CUHK 数据集上表现最优，同时在 Facades 数据集上表现出很好的定量和定性综合性能。

    Jan, 2019

  • 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

  • 周期内总生成：循环生成对抗网络用于生成人脸、手、身体和自然场景

    提出了一种基于循环的生成对抗网络模型 (C2GAN)，通过交互式方式联合分析输入图像和引导数据，实现了人脸、手、身体和自然场景的图像生成，通过循环子网实现输入域的重构，同时生成另一个循环所需要的有用输出，实现了跨模态信息的相互补充，并具有更为鲁棒优化的功能。

    Jun, 2021

  • 鲁棒性条件生成对抗网络

    该研究介绍了一种名为 RoCGAN 的新型条件 GAN 模型，该模型在图像生成的任务中表现优异，并在面临严重噪声的情况下使生成器输出的图像更接近目标空间，实验结果表明，RoCGAN 在各种领域的表现都远优于现有的最先进的 cGAN 架构。

    May, 2018

  • 循环中的循环生成对抗网络用于关键点引导的图像生成

    提出 C2GAN，一种新型循环生成对抗网络，用于关键点引导的图像生成，图像生成器和关键点生成器相互交错地连接在一个可端到端学习的框架中，并形成三个循环子网络，可生成更加逼真的图像。

    Aug, 2019

  • 一种严格有界的深度网络用于医学图像的非配对循环转换

    医学图像翻译是一个棘手的问题，本研究提出了一种严格有界的双向翻译网络，通过使用自适应字典学习和交叉邻域上下文特征信息来提高翻译的泛化能力，实现了在不配对的医学图像上的稳定双向翻译。

    Nov, 2023

  • 正则化循环一致性生成对抗网络在异常检测中的应用

    本文提出了一种新型的正则化循环一致性生成对抗网络（RCGAN）算法，利用惩罚分布和鉴别器网络的新定义来更好地识别异常样本，经实验结果表明，在多个数据集上，RCGAN 相比当前技术水平有更强的检测异常例子的能力。

    Jan, 2020

  • 耦合生成对抗网络

    本文提出了联合生成对抗网络 (CoGAN) 用于学习多域图像的联合分布。 与现有方法相比，CoGAN 可以在不需要不同域中对应图像元组的情况下，仅通过来自边际分布的样本学习联合分布，并将其应用于许多联合分布学习任务，包括颜色和深度图像的联合分布以及具有不同属性的脸部图像的联合分布。 此外，对于域自适应和图像转换，也展示了其应用。

    Jun, 2016

  • 使用循环投影的参数化生成对抗网络用于可解释的医学图像分类

    本研究提出了一种名为 ParaGAN 的参数化生成对抗网络，用于控制不同领域合成样本的变化，并强调下游分类任务中的关注区域。实验证明，ParaGAN 能在两个小规模医学数据集上以可解释的分类结果持续优于现有的数据增强方法。

    Nov, 2023

  • 生成对抗网络用于数据增强

    使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的，然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。

    Jun, 2023