ECCVJul, 2020

COCO-FUNIT: 带有内容编码风格的少样本无监督图像翻译

PDF
TL;DR提出了一种名为 COCO-FUNIT 的 few-shot 无监督图像翻译模型，通过引入样式嵌入和常数样式偏置模块依据输入图像和示例图像，有效解决图像翻译中的内容丢失问题。
unsupervised image-to-image translationfew-shot learningcontent loss problemstyle embeddingconstant style bias
发现论文，激发创造
  • 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

  • 多模态无监督图像到图像的翻译

    本研究提出了一种多模态无监督图像到图像的翻译框架 (MUNIT)，该框架可以将图像表示分解为内容代码和风格代码，从而能够生成来自给定源域图像的多样性输出，并能够通过提供示例样式图像来控制翻译输出的风格。该框架在对比最先进的方法的基础上，通过大量实验证明了其优势。

    Apr, 2018

  • 通过风格调整和内容保留实现少样本图像生成

    我们提出了一种配对图像重建方法，用于内容保留，通过引入图像转换模块到生成对抗网络转换过程中，在少样本设置中，定性和定量实验证明我们的方法始终优于现有方法。

    Nov, 2023

  • 利用离散内容表示进行少样本图像生成

    本研究将少样本图像转换方法应用于少样本图像生成任务中，通过量化连续内容地图为离散内容地图，学习本地内容向量的简洁字典，利用离散内容地图的自回归分布模型缓解内容地图和风格向量的不兼容性。实验结果表明，相对于以前的方法，该模型能够为未见类别生成更多样化和更真实的图像。

    Jul, 2022

  • 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

  • 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

  • 随心所欲的视觉描述：由少量风格化句子引导的图像和视频描述

    FS-StyleCap 是一个用于 Few-Shot Stylized Visual Captioning 的框架，通过训练样本生成相关风格的标题描述，其在自动评估中的结果优于现有方法，并且在处理多种风格方面具有能力。

    Jul, 2023

  • 适用于少样本图像翻译的半监督学习

    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。

    Mar, 2020

  • SHUNIT：无配对图像转换的风格协调

    本文提出了一种新颖的解决方案来实现非配对图像到图像的翻译，可以通过风格协调的方式处理不同类别中物体的多个组件，以获得最先进的性能。

    Jan, 2023

  • 实例级图像到图像的转换

    本文提出了一种基于实例感知的图像翻译方法，通过使用细粒度的本地和全局风格来处理目标图像，从而实现更准确的线性重建并结合不同对象的多样属性，同时为目标域的局部和全局领域分别使用与源域相应空间区域匹配的风格，从而在精细度和粗糙度上同时受益，改进全局转换的质量，最后基于此方法构建了新的基准测试集并通过实验验证可以帮助实现通用对象检测。

    May, 2019