一种递归循环一致性损失用于渐进式面对面合成
本文提出使用三重一致性损失实现面部照片合成,使输入图像与目标图像的分布保持一致,同时成功地应用于 “野外” 标记引导合成,并展示了该方法的有效性。
Nov, 2018
本研究采用面部运动周期一致性和身份周期一致性作为无标签面部图像中学习面部表示的免费监督信号,在训练中成功地分离两个不同的面部表示,并在多个任务上表现出与现有方法相当的竞争力。
Aug, 2021
本文提出了一种全卷积的方法,采用前向和后向帧之间的不同裁剪策略、特征变形等技术,破解绝对位置快捷方式,有效地阻止了前向和后向跟踪之间的快捷方式,并在三个标签传播基准测试中实现很好的性能。
May, 2021
使用未成对的训练数据和特征点辅助的 CycleGAN,我们能够高质量地生成漫画面孔,这些面孔几乎无法与艺术家绘制的面孔区分,这种方法建立在面部结构的一致性基础上。
Jul, 2019
本文提出利用跨实例视觉一致性作为监督信息,通过建立一个包含 4 个环(4-cycle)的人工数据集提高深度学习在实现物体实例间的稠密视觉对应中的表现,并在测试阶段显示出优于先前相关任务的最新成果。
Apr, 2016
无监督学习如何从点云中预测 3D 场景流是许多视觉系统的核心,本文提出了一种新颖的学习框架来改进必要的正则化,并通过引入两种新的一致性损失来扩大聚类,并防止它们扩散到不同的对象上,提高了现有模型的性能。
Dec, 2023
Cyclenet 是一种新颖而简单的方法,将循环一致性引入扩散模型 (DMs) 以规范图像处理,通过引入循环一致性提高了翻译一致性和质量,并能使用简单的文本提示生成高质量的超领域分布图像。
Oct, 2023
提出了一种自监督的光场视图合成框架,利用循环一致性约束和两个损失函数(循环损失和重建损失)来生成稠密的中间视图,并通过高质量自然视频数据的先验知识来减少标记的光场数据的需求,具有与有监督微调相当的性能,并优于现有技术。
Aug, 2020
本文利用深度递归神经网络,结合短期、长期以及感知上的损失,为视频处理提供了一种基于帧的将原始视频和处理后的视频作为输入,生成时间上连贯的视频的方法,实现了对多种需求的处理,且无需光流计算,具有实时性能。
Aug, 2018
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