Nov, 2020

频域图像翻译：更逼真的照片，更好的保持身份

PDF
TL;DR该研究提出了一种基于频域的图像翻译框架（FDIT），能够保留源领域的标志性特征，生成视觉质量更优且类真实的图像。
gan-based methodsfrequency domain image translationimage generationobject structurephoto-realistic images
发现论文，激发创造
  • 基于 GAN 的医学图像增强的频域分解转换

    提出了一种新颖的频域分解转译方法（FDDT），用于医学图像转译，通过高频和低频分量的对齐来平衡图像的身份和风格信息，并在 MRI 图像和自然图像上进行了广泛的实验评估。

    Nov, 2023

  • FDDM：使用频率解耦扩散模型的无监督医学图像翻译

    本研究介绍了一种频率解耦的扩散模型（FDDM），通过在转换过程中将医学图像的频率分量在傅里叶域中分离，实现保留结构并高质量转换图像。通过公开的脑部 MR-to-CT 转换数据集进行了广泛评估，结果表明 FDDM 在产生高度逼真的目标领域图像的同时保持了翻译的解剖结构的准确性。

    Nov, 2023

  • FDA: 用于语义分割的傅里叶域自适应

    本论文描述了一种简单的无监督领域适应方法，通过交换低频谱来减少源和目标分布之间的差异，该方法在语义分割中实现了最新的性能，并且不需要对离散领域选择变量进行不变的神经网络背骨的敌对优化。

    Apr, 2020

  • SDIT：可扩展和多样化跨域图像翻译

    本研究提出了一种名为 SDIT 的可扩展和多样化图像翻译方法，通过将多样性和可扩展性合并到一个生成器中，利用从正态分布中随机抽样的潜在变量来确定多样性，通过在网络中设置领域属性来获得可扩展性，并利用注意机制使生成器能够专注于领域特定的属性。该方法已在脸部映射和其他数据集上得到了验证和实际应用。

    Aug, 2019

  • 通过频率引导扩散模型实现零样本医学图像翻译

    使用频域滤波器来指导扩散模型，以实现结构保留图像翻译的频率引导扩散模型（FGDM），同时在医学图像翻译中具有零样本学习的能力。 该模型在结构保留医学图像翻译任务中具有良好的性能。

    Apr, 2023

  • 频率空间域随机化 —— 域泛化

    本文提出了一种基于频率空间领域随机化的方法（FSDR），通过将图像分解成不变频率成分（DIFs）和变异频率成分（DVFs）进行随机化，实现了更可控的域随机化过程，并在多个领域泛化任务上展示了优异的分隔性能。

    Mar, 2021

  • 图像转换的鲁棒频率分布损失函数

    该研究论文引入了一种新颖且简单的频率分布损失（FDL）来解决深度学习图像转换方法中常见的问题，通过在频率域内计算分布距离来克服依赖像素级准确对齐的配对数据集所带来的挑战，并证明了 FDL 相比现有的鲁棒性较差的损失函数在图像增强和超分辨率任务中的优越性。

    Feb, 2024

  • 频率感知深度假冒检测：通过频率空间学习改善泛化能力

    通过频域学习提高深伪造图像检测器的泛化性能，包括使用频率级别的伪造检测方法和一个特定设计的频域学习模块，实现了先进的性能 (+9.8%)，并且所需参数更少。

    Mar, 2024

  • 基于傅里叶变换的领域自适应框架

    使用傅里叶方法（FTF）改善无监督领域适应性，通过融合傅里叶域中源域和目标域的振幅，将目标域的低级信息有效地整合到源域中，并引入相关性对齐的概念进一步调整多源数据，以实现卓越的性能。

    Mar, 2024

  • 基于对比学习和频谱滤波器配置的图像生成精炼的光谱翻译

    该研究提出了一种基于对比学习的频谱转换框架（STIG），以改善生成对抗网络和扩散模型的图像生成性能，通过对图像的频谱进行精炼，减少频谱异常，提高图像质量。

    Mar, 2024