Apr, 2020

基于对象的图像生成：因子深度、位置和外观

PDF
TL;DR本研究提出了一种生成图像的模型，其对图像中的物体进行分割并学习了一种分离物体、背景及其深度和位置的结构化潜变量表示，它可以在无监督的情况下进行训练。该模型可以生成完整的物体，处理遮挡，并能够将新图像分解成组成部分，包括深度排序和遮挡部分的分割。
generative modellatent representationobject separationunsupervised learningocclusion handling
发现论文，激发创造
  • 图像遮挡感知生成模型的高效推理

    本文提出了基于层叠的图像生成模型，学习每个物体的形状先验，使用 SGVB 进行学习并应用于前景和背景物体推理。

    Nov, 2015

  • 扰动生成模型中物体分割的出现

    本文介绍了一种无需人工注释即可学习如何从图像集合中分割对象的模型构建框架，通过训练分层场景的生成模型和特征向量编码器，结合阈值分割技术实现了真实图像中多类物体的自动识别与分割。

    May, 2019

  • 完全理解通用物体：建模，分割和重建

    使用半监督学习的方法，通过将 2D 图像分解成潜在表示组成部分，结合类别、形状、反照率等信息，重建出 3D 的物体结构并生成输入图像的近似图像，有效地利用真实 2D 图像进行模型的拟合。

    Apr, 2021

  • ROOTS: 3D 场景的对象中心表示和渲染

    本文提出了一种概率生成模型，用于学习从多个物体场景的部分观察中构建模块化和组合化的三维物体模型，该模型可以推断 3D 物体表示并从任意视角呈现场景。

    Jun, 2020

  • 学习图像中个体物体的操纵

    本文提出一种训练生成模型的方法，通过强制要求上下文信息分离和知觉循环一致性的结合，让潜在变量只会影响到某个物体的局部区域，从而实现对象为中心的操作，而且不需要对象级别的注释。

    Apr, 2020

  • 通过条件图像生成进行无监督物体地标学习

    提出了一种无需手动监督来学习视觉对象（例如面部中的眼睛和鼻子）的地标探测器的方法，通过几何提取过程中引入的紧密瓶颈，结合外观和几何来生成图片，该方法适用于多种数据集，包括人脸、人物、3D 对象和数字，同时在无监督地标检测方面优于现有最先进的技术。

    Jun, 2018

  • 利用多视角图像集进行无监督本征图分解和高光分离

    本文提出了一种基于多视角真实图像训练的无监督方法，将物体外观分解为高光、阴影和漫反射层，使用局部颜色分布的图像表示进行训练，在高亮度分离和内在图像分解两种任务上取得了最新的成果。

    Nov, 2019

  • 从单张图像中预测多层深度：揭示物体背后的景深信息

    该论文提出了一种基于卷积神经网络的方法，通过预测包含被前景遮挡区域信息的分层深度图像和前景分离掩模来合成场景和填补遮挡的空白，用于虚拟现实和减弱现实领域的单幅图像的新视点合成。

    Jul, 2018

  • GENESIS：基于物体中心的隐式表示生成场景推理和采样

    本文介绍一种名为 GENESIS 的三维视觉场景对象生成模型，通过捕捉场景组件之间的关系，能够分解和生成场景，并在公开数据集上进行了性能评估和半监督学习。

    Jul, 2019

  • SeGAN：分割和生成隐形图像

    本文研究了遮挡物体的外观补全问题，提出了 SeGAN 方法，通过联合优化分割和生成可见无法覆盖的部位的像素及颜色，实现物体外观的完整还原，并通过实验结果证明 SeGAN 在分割和生成物体的无法覆盖的部分方面优于最先进的分割基线，同时能够可靠地分割自然图像。

    Mar, 2017