Dec, 2019

参数化色彩增强的监督学习与无监督学习

PDF
TL;DR该论文提出利用有监督和无监督学习的方式解决图像颜色增强问题，并通过参数化颜色变换技术提高了图像的质量，同时使用对抗生成网络实现了无配对数据的颜色增强。在 MIT-Adobe FiveK 基准测试上，该方法在有配对和无配对图像上都实现了最先进的结果，并通过 20 世纪早期的照片和暗视频帧的应用展示了该方法的泛化能力。
color enhancementimage translationsupervised learningunsupervised learninggan
发现论文，激发创造
  • 通过生成对抗网络实现无监督多样化着色

    本文介绍了一种使用条件生成式对抗网络解决无监督多样化上色问题的方法，并在 LSUN 卧室数据集上表现出高竞争性和高可信度的着色结果。

    Feb, 2017

  • 无配对图像增强：以增强学习控制的图像编辑软件为特色

    本文提出了一种基于强化学习框架结合图像编辑软件的无配对图像增强方法，能够高效地实现两项任务：照片增强和美颜，得出的实验结果表明该方法相较于其他无配对学习方法具有更好的性能表现。

    Dec, 2019

  • 基于 GAN 的指导式全色影像上色 CNN 算法反思

    本文提出了一种新的自监督学习框架，将 Pansharpening 看作是一个彩色化问题，并在模型训练中引入噪声注入和对抗性训练，通过提高神经网络的分辨率实现卫星图像 Pansharpening 的高质量输出。

    Jun, 2020

  • EnlightenGAN：深度无配对监督的光照增强

    本文提出了一种名为 EnlightenGAN 的高效的非监督生成对抗网络，采用了无配对的训练数据来提高低光图像的质量，通过全局局部鉴别器结构，自我规范化的知觉损失融合和注意机制等方法，在不同种类的图像测试中表现优于其他方法。

    Jun, 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

  • 无监督草图到照片的合成

    本文首次研究了无监督的手绘草图到照片的合成，提出了一种两阶段翻译任务的方法，添加自监督去噪目标和注意力模块以处理抽象和风格差异，生成的图片忠实于草图且逼真的，并可实现基于草图的图像检索和捕捉人类视觉感知。

    Sep, 2019

  • 无监督生成参数化头像

    本文研究将输入图像映射到由参数向量和图像组成的绑定对中的问题，并提出了一种基于差异的泛化界限和采用 GAN 实现网络解决方案的方法。实验表明，该方法可以解决自动生成头像的问题。

    Apr, 2017

  • 使用非配对学习技术自由增强图像

    通过使用轻巧的条件生成对抗网络，通过调制编码学习任务形式化低照度图像增强，从而学习从低光到正常光图像空间的一对多关系，使我们的推理模型轻松适应各种用户喜好，并在噪声和干净数据集上实现了有竞争力的视觉和定量结果。

    Oct, 2021

  • 基于分组深度白化和上色变换的图像到图像翻译

    该论文提出了一种针对图像翻译的端对端方法，通过创新的正则化方法有效地逼近样本的风格转换，缩短了运算时间复杂度和误差率，进一步扩展了方法的适用范围，实验证明该方法在训练和推断时速度快，且高效地反映了样本的风格。

    Dec, 2018

  • 基于生成对抗网络的无监督深度图像增强技术

    本文提出了一种基于 GAN 的无监督图像增强模型 (UEGAN)，利用调制机制和质量损失函数增强图像的视觉质量，消除专业照片编辑造成的风格化问题。我们的质量和定量实验验证了我们的模型的有效性。

    Dec, 2020