Feb, 2020

增强循环一致性正则化用于无配对图像到图像翻译

PDF
TL;DR本文提出了一种新的正则化方法 —— 增强循环一致性正则化（ACCR），该方法适用于无配对图像转换。通过使用真实、假的、重构的和增强的样本，我们试图在辨别器上施加来自半监督学习的一致性正则化。实验结果表明，该方法在诸多方面表现优异，尤其在真实世界的转换中表现得更为有效。
unpaired image-to-image translationgenerative adversarial networksaugmented cyclic consistency regularizationconsistency regularizationdata augmentation
发现论文，激发创造
  • 基于不确定性感知的鲁棒性循环一致性

    本文提出了一种基于不确定性感知的广义自适应周期一致性的概率方法，利用广义高斯分布对像素残差进行建模，提高了对于测试数据的强鲁棒性，提高了不成对图像转换的性能。

    Oct, 2021

  • 利用敌对一致性损失实现非配对图像翻译

    本文提出了一种新的对抗一致性损失函数用于无配对图像转换，它可以更好地处理像素级别的约束和几何变换，在去除大型物体和忽略不相关纹理方面表现出色，获得了当前三个有挑战性的图像转换任务，即眼镜去除、男变女和自拍变动漫的最好表现。

    Mar, 2020

  • 突破医学影像转换困境

    本篇论文提出一种新的无监督模式 RegGAN，使用 loss-correction 理论解决 medical image-to-image translation 中图像对齐问题，对于包括医学影像在内的广泛场景中无须像素精确对齐的图像，RegGAN 表现比 Pix2Pix 和 Cycle-consistency 更好。

    Oct, 2021

  • 图像到图像转换的半监督范式 —— 变换一致性正则化

    本研究提出了一种基于几何变换的一致性约束正则化半监督图像翻译算法，在图像着色、去噪和超分辨率等数据敏感任务中，表现出仅需约 10-20% 有标注样本数量就能与标注样本量一样优秀的表现，同时可在视频处理任务中大幅提升质量。

    Jul, 2020

  • 循环一致性对抗网络实现非配对图像之间的转换

    该研究论文介绍了一种用于图像翻译的无监督学习方法，采用对抗性和循环一致性损失将源域图像翻译到目标域中，并且在多项任务上的实验结果表明该方法优于之前的方法。

    Mar, 2017

  • 循环一致 GAN 的对抗性自卫

    本文研究了无监督图像翻译中的自我攻击问题，提出了两种防御技术，发现增强模型抵抗自我对抗攻击的能力能提高生成质量和重构可靠性，降低模型受低幅扰动的敏感度。

    Aug, 2019

  • 堆叠循环一致性对抗网络的无监督图像对图像翻译

    通过将单一翻译分解为多阶段变换并开发一种自适应融合块，我们提出了新颖的堆叠循环一致性对抗网络（SCANs），以在粗糙到精细的方式下提高图像翻译质量并实现更高分辨率的图像翻译。

    Jul, 2018

  • 基于增强的一致性正则化分类

    本文提出了一种基于数据增强的一致性正则化框架 CR-Aug，利用停止梯度操作来提高支持向量器的泛化能力，并表明 CR-Aug 的效果显著优于基线方法。

    May, 2022

  • 图像风格转换的谱归一化双对比正则化

    本文提出了一种基于双重对比规范化和谱归一化的新型无配对图像翻译框架（SN-DCR），以保持全局结构和纹理的一致性，提高生成图像的全局结构和纹理信息，并证明该方法在多个任务上实现了 SOTA。

    Apr, 2023

  • 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