适用于少样本图像翻译的半监督学习

CVPRMar, 2020

适用于少样本图像翻译的半监督学习

Semi-supervised Learning for Few-shot Image-to-Image Translation

Yaxing Wang, Salman Khan, Abel Gonzalez-Garcia, Joost van de Weijer, Fahad Shahbaz Khan

TL;DR本文提出了一种半监督的方法，将少量的标记数据应用在源领域训练中，使用噪声容忍的伪标记过程进行半监督学习，并添加循环一致性约束来进一步利用未标记图像信息实现少量样本之间的图像转换。最终实验得到了优秀的结果，相较全监督方法减少了标记数据的要求。

Abstract

In the last few years, unpaired image-to-image translation has witnessed remarkable progress. Although the latest methods are able to generate realistic images, they crucially rely on a large number of labeled images. Recently, some methods have tackled the challenging setting of few-s

unpaired image-to-image translation few-shot learning semi-supervised learning cycle consistency constraint noise-tolerant pseudo-labeling

发现论文，激发创造

一种半匹配的标签到图像翻译方法

本文提出了第一个半监督（半配对）的框架，用于标签到图像的翻译，使用输入重构任务并利用条件鉴别器来作为反向生成器，证明了所提出模型在标准基准测试中优于现有的无监督和半监督方法，同时使用更少的配对样本。

Jun, 2023

少样本无监督图像到图像翻译

本论文提出一种基于生成对抗网络和网络设计的少样本无监督图像转换算法，通过在基准数据集上的大量实验验证与多种基线方法比较，证明了提出的框架的有效性。

May, 2019

语义分割的极弱监督图像翻译

本文旨在将有监督和无监督的图像翻译方法相结合，在像素到像素图像翻译领域取得了重大突破，提出了一种选择非常少的配对训练样本的方法，并在训练过程中同时使用这些配对样本和未配对样本，从而比 Random Selection 获得了更好的性能。

Sep, 2019

迭代标签清理用于传导式和半监督式小样本学习

本论文介绍了一种改进的算法，利用有标注数据和无标注数据的流形结构预测伪标签，在类之间平衡，并使用容量有限的分类器的损失值分布选择最干净的标签，以迭代方式改善伪标签的质量，从而在几个基准数据集上超越了现有技术结果，具有数据可用性与特征空间预处理的健壮性。

Dec, 2020

探索非配对图像翻译中的语义一致性，以生成外科应用数据

探索了无配对图像翻译技术在手术应用中生成具有语义一致性数据的可行性，并发现结构相似性损失和对比学习的简单组合方法取得了最有希望的结果。定量分析表明，使用这种方法生成的数据具有更高的语义一致性，可以更有效地用作训练数据。

Sep, 2023

复杂场景下的几何无监督图像到图像转换

本文介绍了一种在多元和内容丰富的图像上使用单个物体翻译方法的扩展方法，使用基于目标检测的方式对数据集进行扩充，同时提出了一种适应 FUNIT 框架的方法，以利用其他方法中可以看到的目标检测技术的优势。

Jun, 2021

语言引导的少样本语义分割

通过语言信息进行语言指导的少样本语义分割，使用视觉 - 语言预训练模型和遮罩优化来生成高质量伪语义遮罩，引入分布式原型监督方法和互补相关匹配模块来指导模型挖掘支持和查询图像的精确语义关系。在两个基准数据集上的实验表明，我们的方法为语言指导的少样本语义分割建立了新的基准，并达到了与最近的视觉指导方法竞争的结果。

Nov, 2023

重新思考真正无监督的图像到图像翻译

本文提出了一种针对图像翻译的无监督学习模型，TUNIT，该模型可以在没有成对数据或领域标签的情况下进行图像 - 图像翻译，同时在各种数据集上表现出可比甚至更好的性能。此外，该模型还可以轻松扩展到半监督学习。

Jun, 2020

少样本类别增量语义分割：伪标记和知识蒸馏

我们提出了一种从少量样本中学习语义分割模型的新类别的方法，通过伪标签策略进行扩充，通过知识提取能够保留现有类别的知识。

Aug, 2023

无配对的图像语义数据鲁棒性转化

针对许多不成对图像翻译应用需要在翻译过程中保持输入内容的语义，而现有的分布匹配方法容易导致翻译出现意义的混淆，本文提出了一种基于对抗学习的方法来实现对输入内容的意义保护，称为 “语义鲁棒性”，该方法使用多尺度特征空间扰动对鲁棒性损失进行优化，能够有效降低输出的语义翻转现象，并在定量和定性方面优于现有方法。

Dec, 2020