人脸生成的单次域适应
研究如何转移使用 GAN 训练的一个图像领域到一个新的领域,只需一个目标图像;通过使用属性适配器和属性分类器的轻量级模块,对生成器和鉴别器进行改进,从而提高合成质量和多样性,并在训练过程中约束生成领域的多样性,不仅在各种设置下带来了具有吸引力的结果,而且能够在几分钟内提供稳健的收敛。
Nov, 2021
本论文提出一种新颖的框架,通过使用切片 Wasserstein 距离,固定样式,并引入辅助网络来解决风格和实体转移的广义单次适应任务,并使用变异拉普拉斯正则化来实现跨域对应关系,成功地在各种场景中展示了我们方法的有效性。
Sep, 2022
介绍了一种用于一次性域自适应的新方法,使用训练有素的 GAN 可以在域 A 和域 B 中生成图像,通过提出的算法可以将训练有素的 GAN 的任何输出从域 A 转换到域 B,相对于目前的技术水平,该解决方案有两个主要优点:首先,我们的解决方案实现了更高的视觉质量,例如显着减少了过度拟合;其次,我们的解决方案允许更多的自由度来控制域差距,即使用图像 I_B 的哪些方面来定义域 B。
Oct, 2021
本篇论文介绍一种多任务架构的目标检测算法,利用一次性适应的方法,自动适应不同的域,无需访问大量的目标数据,其中利用自监督任务和伪标签方法加强了适应,对比最新的跨域检测方法,研究结果显示该方法有优势,是 one-shot 情况下的最佳方法。
May, 2020
本文研究了如何在给定很少训练样本的情况下生成更多的特定领域图片,通过利用大规模且相关的预训练数据集,同时实现对不同领域的目标图片进行快速适应,进而生成高质量的渐进式图片。
Dec, 2020
通过利用先前训练好的生成模型,通过领域自适应的方式,基于有限数量的训练数据从而实现了少样本 3D 形状生成,该方法能够在保持多样性的同时避免过度拟合,并通过多种度量评估了生成的质量和多样性。
May, 2023
我们提出了一个快速前馈网络,使用深度特征和纹理统计来表示内容和风格,并使用对抗网络来规范画风生成,包括条件生成器和条件鉴别器,并使用遮罩模块来空间控制风格化级别和稳定对抗训练,在定性和定量实验中与相关工作进行比较。
May, 2018
本文提出了一种基于生成对抗网络的方法,通过在像素空间中学习一种转换方法,将源域图像适应为与目标域相同的样子,以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本,而且在许多无监督域适应场景中均优于现有技术,并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。
Dec, 2016