ECCVFeb, 2020

GANHopper: 无监督图像到图像翻译的多跳 GAN

PDF
TL;DRGANHopper 是一种无监督的图像到图像翻译网络，通过多次跳跃逐渐转换两个域之间的图像，并且通过生成介于两个域之间的加权混合图像来控制翻译过程，同时添加新的混合判别器和平滑性约束来优化翻译质量，该方法在处理特定于域的特征和几何变化时表现优异，同时保留了非特定于域的特征。
ganhopperunsupervised image-to-image translationweighted hybridscycle-consistencygeometry
发现论文，激发创造
  • Twin-GAN -- 权重共享的无配对跨领域图像翻译 GAN

    本论文提出了一种框架，用于将一个领域的未标记图像转换为另一个领域的类似图像，并使用逐渐增长的跳跃连接编码器 - 生成器结构进行训练，其中应用了 GAN Loss、循环一致性 Loss 和语义一致性 Loss 来保持相同领域的翻译身份，并鼓励网络保留输入的语义特征。作者在人脸图像翻译任务上应用了该框架，并展示了它可以在没有监督一对一图像映射情况下学习人脸图像的语义映射。

    Aug, 2018

  • 跨领域生成对抗网络：无监督多领域图像翻译

    提出了一种无监督的图像翻译框架，使用一对编码器加上一对生成对抗网络来提取不同域之间的高级特征以生成逼真的多样化样本。该框架在许多图像转化任务上展示出与最先进技术相竞争的结果。

    Aug, 2020

  • 无监督图像转换网络

    本文介绍了一种基于共享潜在空间假设和 Coupled GANs 的无监督的图像到图像翻译框架，并在多个挑战性的无监督图像翻译任务中取得了高质量的翻译结果，同时也应用于域自适应并实现了最先进的基准数据集性能。

    Mar, 2017

  • 谐波不配对图像到图像的翻译

    本文提出使用 HarmonicGAN 进行无配对图像转换，通过光滑性约束来实现一致的像素映射，并利用距离度量来维护样本的自我一致性。在医疗成像、物体转换和语义标记等应用中得到了明显的定性和定量改善，并取得了优于同类方法的实验效果。

    Feb, 2019

  • In2I ：基于生成对抗网络的无监督多图像到图像转换

    本文介绍了一种利用多个输入域来实现图像翻译的方案，使用基于生成对抗网络的多模式生成器结构和一种新的损失项，潜在一致性损失，实现了比现有无监督图像到图像转换方法更好的转换效果。

    Nov, 2017

  • 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

  • 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

  • 基于生成先验的无监督图像到图像翻译

    本研究提出了一种新的框架，Generative Prior-guided UNsupervised Image-to-image Translation (GP-UNIT)，利用预训练的类条件生成对抗网络 (GANs) 的生成先验来跨越不同领域学习丰富的内容对应关系，并且我们还提出了一种新的粗粒度到细粒度的策略，通过在抽象的语义层面上捕捉一个强大的粗级内容表示来连接对象，进而为更准确的多层级内容对应学习适应性的细粒度内容特征。实验表明我们提出的方法优越性强，可适用于不同的领域和更挑战的任务。

    Apr, 2022

  • DualGAN：无监督的双重学习用于图像到图像的翻译

    通过双重学习机制，该论文提出了一种新的双重生成对抗网络模型 ——DualGAN，可在缺乏标签数据的情况下，实现多种图像翻译任务，并取得了可观的性能提升。

    Apr, 2017

  • TraVeLGAN: 通过变换向量学习进行图像到图像的翻译

    介绍了一种基于 GAN 的全新图像到图像翻译方法，其中使用同层网络的潜在空间来保留图像内变换，不再需要约束生成器的循环一致性限制，实现了对高级形状和语境等更复杂领域的转换。

    Feb, 2019