Oct, 2020

DE-GAN：一种用于文档增强的有条件生成对抗网络

PDF
TL;DR该研究提出了一种名为 DE-GAN 的文档增强生成对抗网络框架，通过条件 GAN 对严重降解的文档图像进行恢复，实验证明 DE-GAN 可以在文本清理，二值化，去除模糊和去水印等不同任务中产生高质量的文档修复版本，并且相对于其他最先进的方法，它能够提供持续的改进，证明了该模型将被应用在其他文档增强问题上的灵活性。
document enhancementgenerative adversarial networksocrcgansdegraded document images
发现论文，激发创造
  • 学习清洁：GAN 透视

    该研究论文探讨了使用生成对抗网络（GAN）和 CycleGAN，将未配对的噪声和无噪声图像转化为配对的干净文档，以用于清理噪声扰动，实现文档清理的任务。

    Jan, 2019

  • 基于双鉴别器生成对抗网络的 JPEG 压缩域文档图像二值化

    本文提出了一种直接使用 JPEG 压缩流进行文档图像二值化的方法，采用 Dual Discriminator 生成对抗网络，在包含噪声和失真的情况下，经过全面的测试，结果表明该模型具有高度的鲁棒性和效率，同时在 JPEG 压缩领域表现出最先进的性能。

    Sep, 2022

  • 基于条件生成对抗网络的图像去雨

    本文提出了一种基于条件生成对抗网络的图像去雨算法 (ID-CGAN)，以优化细化的损失函数为优化框架，考虑了定量、定性和辨别性能，经过测试，该方法在综合定量和视觉性能方面优于其他最新的基于单个图像去雨的方法。

    Jan, 2017

  • CDGAN: 循环判别式生成对抗网络用于图像到图像转换

    本文介绍了一种名为 CDGAN 的图像到图像转换网络，该网络在原有 CycleGAN 框架中添加了附加的鉴别器网络，以生成高质量、更逼真的图像，并在三个基准图像到图像转换数据集上进行了测试，结果表明该方法优于现有的最先进方法。

    Jan, 2020

  • 鲁棒性条件生成对抗网络

    该研究介绍了一种名为 RoCGAN 的新型条件 GAN 模型，该模型在图像生成的任务中表现优异，并在面临严重噪声的情况下使生成器输出的图像更接近目标空间，实验结果表明，RoCGAN 在各种领域的表现都远优于现有的最先进的 cGAN 架构。

    May, 2018

  • 通过条件 GAN 实现多样化和自然化的图像描述

    该研究旨在通过使用基于条件生成对抗网络（CGAN）的新框架来提高图像字幕生成的自然性和多样性，其中一个生成器可以根据图像生成描述，并使用一个评估器来评估描述与视觉内容的匹配程度。

    Mar, 2017

  • 使用 GAN 进行图像去模糊

    该研究论文中介绍了深度生成模型在图像去模糊中的应用，通过利用生成对抗网络以及对抗学习框架，成功地生成了清晰度更高的图像，解决了图像模糊所带来的挑战，并在实际应用中产生了明显的效果。

    Dec, 2023

  • 基于 GAN 的图像物体检测方法：针对不同质量图像的优化

    本研究提出了一种基于生成对抗网络的目标检测框架（GAN-DO），可用于生成具有鲁棒性的特征以提高图像质量较差情况下的目标检测精度，不增加模型复杂度或推理速度，能通用于各种深度神经网络结构，并在常用数据集上实现了较高的检测准确性。

    Dec, 2019

  • 使用非配对学习技术自由增强图像

    通过使用轻巧的条件生成对抗网络，通过调制编码学习任务形式化低照度图像增强，从而学习从低光到正常光图像空间的一对多关系，使我们的推理模型轻松适应各种用户喜好，并在噪声和干净数据集上实现了有竞争力的视觉和定量结果。

    Oct, 2021

  • 基于生成对抗网络的无监督深度图像增强技术

    本文提出了一种基于 GAN 的无监督图像增强模型 (UEGAN)，利用调制机制和质量损失函数增强图像的视觉质量，消除专业照片编辑造成的风格化问题。我们的质量和定量实验验证了我们的模型的有效性。

    Dec, 2020