ECCVJul, 2020

无配对图像转换的对比学习

PDF
TL;DR提出了一种基于对比学习的图像翻译方法，通过最大化两个元素之间的互信息来鼓励相应图像块之间的相似性，从而实现不同领域之间的图像转换，该方法可在单个图像条件下进行一侧图像转换，同时提高了合成图像的质量和减少了训练时间。
image-to-image translationmutual informationcontrastive learningpatch-based approachunpaired image-to-image translation
发现论文，激发创造
  • 探索对比学习在无配对图像翻译中的负面影响

    本文研究了针对无配对图像的图像翻译技术，并分析了循环一致性与对比学习等方法的不足。作者提出了一种新的基于信息论的负样本剪枝技术，其可以在不影响翻译效果的情况下减少耗时和计算成本。实验证明，该技术比基于大批量负样本的方法更加优越。

    Apr, 2022

  • 双重对比学习用于无监督图像翻译

    本文提出了一种新的基于对比学习与双学习设置的方法，用于有效地推断未匹配数据之间的映射，同时解决了 “切割” 方法存在的潜在问题，并通过大量的消融研究和多个挑战性的图像翻译任务展示了优越的性能。然后，我们证明了非监督方法和监督方法之间的差距可以被有效地缩小。

    Apr, 2021

  • 无监督图像对图像翻译的对比学习

    本文提出了一种无监督、基于对比学习的图像翻译方法，其主要思想是学习一个判别器，将不同的图像风格区分开来，并使其监督生成器将这些风格在图像之间进行转移。实验结果表明，该方法在视觉质量和翻译准确度方面优于当前领先的无监督基线模型。

    May, 2021

  • 无监督图像翻译的多作物对比学习

    本文提出了一种新颖的基于对比学习的无配对图像翻译框架 MCCUT，通过多视图裁剪生成多样化的负样本，利用领域一致性误差函数将深度特征空间中的嵌入约束在一起，并采用 DCSE 模块来设计生成器以获得更好的结果。

    Apr, 2023

  • 对比领域自适应

    本文探讨了将对比自监督学习扩展到领域适应上述情形的方法，通过无标签的正负样本比较学习，进一步识别和排除潜在可能误判的负面效应，以提高领域适应任务中的性能表现。

    Mar, 2021

  • 使用语义衰减的负样本进行稳健的对比学习

    本研究通过生成精心设计的负样本，表明对比学习可以学习到更具有鲁棒性的表示，减少对低级特征的依赖，而我们通过纹理和面板增强的方式生成负样本，在特定的 ImageNet 数据集上分类时表现出一定的可行性

    Oct, 2021

  • 基于补丁对比学习的语义分割领域自适应

    本文介绍了一种新的无监督和半监督领域适应方法，利用对比学习通过对跨域中的结构相似标签块的特征进行对齐来弥合域差距，以便更容易训练和提高性能。此方法在两个具有挑战性的领域适应分割任务中始终优于现有的无监督和半监督方法，特别是当目标域注释数量很小时。

    Apr, 2021

  • 边际对比对应法引导图像生成

    该研究使用边缘对比学习网络（MCL-Net）进行基于样例的图像翻译，设计创新的边缘对比损失的辅助信息自相关图（SCM）来指导建立密集的对应关系。实验结果表明，该方法在多样化的图像翻译任务中优于现有技术。

    Apr, 2022

  • 双向对比学习用于领域自适应语义分割

    提出了一种新颖的无监督领域自适应方法，通过像素 - 原型对比学习框架进行标记迁移，学习跨域不变且具有区分性的特征，生成动态伪标签来建立对比学习训练对，并逐渐调整原型的领域偏差来提高其性能。

    Jul, 2022

  • 对比变压器：具有 Transformer 固有补丁的对比学习方案

    该论文提出了一种对比学习方案 Contrastive Transformer，它可以使现有的对比学习技术（通常用于图像分类）受益于密集下游预测任务（如语义分割）。通过对基于地面真实掩模的斑块进行监督级别的对比学习，选择用于挑选难负样本和难正样本的斑块。该方案适用于所有视觉 Transformer 体系结构，易于实现，并引入最少的额外内存占用。同时，该方案无需使用大批量，因为每个斑块都被视为一张图片。最终的结果在各个类别上得到了一致的增加平均 IoU，并且测试表明该方案具有推广性。

    Mar, 2023