生成敌对网络用于视频到视频的域自适应

AAAIApr, 2020

生成敌对网络用于视频到视频的域自适应

Generative Adversarial Networks for Video-to-Video Domain Adaptation

Jiawei Chen, Yuexiang Li, Kai Ma, Yefeng Zheng

TL;DR本文提出了一种名为 VideoGAN 的生成对抗网络，用于跨不同域传输基于视频的数据，并通过对结肠镜数据的实验验证，表明我们的 VideoGAN 可以显著提高多中心数据集上结直肠息肉分割的精度，并可用于将图像从阴天转换为晴天的任务。

Abstract

Endoscopic videos from multicentres often have different imaging conditions, e.g., color and illumination, which make the models trained on one domain usually fail to generalize well to another. domain adaptation is one of the potential solutions to address the problem. However, few of

domain adaptation generative adversarial network colonoscopic video segmentation accuracy intra-video consistency

发现论文，激发创造

无监督像素级域自适应生成对抗网络

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

利用分层生成对抗网络进行视频识别中的图像利用

本论文提出了一种名为 HiGAN 的新方法，使用层次生成对抗网络将从图像等源域传递的知识用于视频识别目标域，以提高分类器的性能，实验证明其相比当前最先进的领域自适应方法更有效。

May, 2018

通用单次域自适应生成对抗网络

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

模块化生成对抗网络

本文介绍了一种名为 ModularGAN 的多领域图像生成和图像到图像转换的方法，利用可复用和可组合的不同功能模块（例如编码、解码、变换）同时训练，并在测试时根据具体的图像转换任务组合这些模块，以显著提高生成（或转换为）任何所需领域图像的灵活性，并在多领域面部属性转移方面胜过现有方法。

Apr, 2018

基于语义感知的生成对抗网络在胸部 X 光分割的无监督领域自适应中的应用

通过设计语义感知的生成对抗网络，将测试图像转换成源域的外观，保留语义结构信息，并实现语义标签空间内的嵌套对抗学习。通过生成对抗网络映射数据分布、循环一致性保留像素级内容以及语义感知增强结构信息，实现对两个不同的胸部 X 光公共数据集进行左 / 右肺分割的无监督领域自适应，创造性地解决了深度学习在 domain shift 上性能下降的问题，并与有监督的迁移学习性能相媲美。

Jun, 2018

利用合成数据进行学习：解决语义分割的领域偏移问题

该研究提出了一种基于生成对抗网络（GANs）的新方法，以改进分割网络所学到的表示在合成和真实领域中的自适应，证明了其具有广泛性和可扩展性。

Nov, 2017

基于 Unet-GAN 的医学图像分割领域偏移问题和供应商适配

本文提出了一种基于 Unet-GAN 的通用框架，通过无需注释的跨供应商训练和适应性学习来解决困扰医疗场景下声图图像分割问题的难题。

Oct, 2019

使用生成对抗网络的无监督领域自适应在航空影像语义分割中的应用

本文研究利用生成对抗网络减少领域适应在空中图像语义分割中的影响，并在实验中测试表明，在 Potsdam 领域（源领域）到 Vaihingen 领域（目标领域）的转变中，该方法将整体准确性从 35% 提高到 52%。

May, 2019

ColorMapGAN: 使用颜色映射生成对抗网络进行语义分割的无监督领域自适应

针对不同地理位置采集的卫星图像在波段上存在差异，我们提出了一种语义分割框架，其中关键组件是 Color Mapping Generative Adversarial Networks（ColorMapGAN），它可以生成与测试图像的光谱分布类似的伪造训练图像，在精细调整训练分类器的同时，有效地解决了现有方法在生成满意地图方面存在的问题。

Jul, 2019

单次生成对抗网络域自适应

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