ICCVDec, 2020

无配对的图像语义数据鲁棒性转化

PDF
TL;DR针对许多不成对图像翻译应用需要在翻译过程中保持输入内容的语义，而现有的分布匹配方法容易导致翻译出现意义的混淆，本文提出了一种基于对抗学习的方法来实现对输入内容的意义保护，称为 “语义鲁棒性”，该方法使用多尺度特征空间扰动对鲁棒性损失进行优化，能够有效降低输出的语义翻转现象，并在定量和定性方面优于现有方法。
发现论文，激发创造
  • 探索非配对图像翻译中的语义一致性，以生成外科应用数据

    探索了无配对图像翻译技术在手术应用中生成具有语义一致性数据的可行性，并发现结构相似性损失和对比学习的简单组合方法取得了最有希望的结果。定量分析表明，使用这种方法生成的数据具有更高的语义一致性，可以更有效地用作训练数据。

    Sep, 2023

  • Sem-GAN：语义一致的图片到图片转换

    Sem-GAN 提出了一种语义一致的 GAN 框架，用于多模态图像翻译任务。该框架引入了约束来保持源域的图像标识，同时确保翻译后的图像具有目标域的外观，还指出使用经 Sem-GAN 翻译的合成图像训练的语义分割模型可显著改善分割结果。

    Jul, 2018

  • 无配对视频到视频翻译的语义和时间一致性保持

    本文研究了无配对视频到视频翻译的问题，提出了一种新的框架，包括经过精心设计的生成器和鉴别器，以及两个核心目标函数：内容保持损失和时间一致性损失。经过广泛的定性和定量评估，证明了该方法相对于先前的方法具有更优越的性能。

    Aug, 2019

  • 基于不确定性感知的鲁棒性循环一致性

    本文提出了一种基于不确定性感知的广义自适应周期一致性的概率方法，利用广义高斯分布对像素残差进行建模，提高了对于测试数据的强鲁棒性，提高了不成对图像转换的性能。

    Oct, 2021

  • 语义分割的极弱监督图像翻译

    本文旨在将有监督和无监督的图像翻译方法相结合，在像素到像素图像翻译领域取得了重大突破，提出了一种选择非常少的配对训练样本的方法，并在训练过程中同时使用这些配对样本和未配对样本，从而比 Random Selection 获得了更好的性能。

    Sep, 2019

  • 利用敌对一致性损失实现非配对图像翻译

    本文提出了一种新的对抗一致性损失函数用于无配对图像转换，它可以更好地处理像素级别的约束和几何变换，在去除大型物体和忽略不相关纹理方面表现出色，获得了当前三个有挑战性的图像转换任务，即眼镜去除、男变女和自拍变动漫的最好表现。

    Mar, 2020

  • SemI2I：面向遥感数据域自适应的语义一致图像翻译

    本文介绍了一种基于生成对抗网络的数据增强方法，可以有效地解决卷积神经网络在训练和测试数据之间存在领域差异时性能显著降低的问题。实验结果表明，该方法在领域自适应上表现出优异的性能。

    Feb, 2020

  • 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

  • 一种半匹配的标签到图像翻译方法

    本文提出了第一个半监督（半配对）的框架，用于标签到图像的翻译，使用输入重构任务并利用条件鉴别器来作为反向生成器，证明了所提出模型在标准基准测试中优于现有的无监督和半监督方法，同时使用更少的配对样本。

    Jun, 2023

  • In2I ：基于生成对抗网络的无监督多图像到图像转换

    本文介绍了一种利用多个输入域来实现图像翻译的方案，使用基于生成对抗网络的多模式生成器结构和一种新的损失项，潜在一致性损失，实现了比现有无监督图像到图像转换方法更好的转换效果。

    Nov, 2017