Dec, 2020

基于生成对抗网络的无监督深度图像增强技术

PDF
TL;DR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。
unsupervised learningimage enhancementgenerative adversarial networkmodulation mechanismquality loss
发现论文，激发创造
  • 基于对抗学习的美感驱动图像增强

    介绍了 EnhanceGAN，这是一种基于敌对学习的自动图像增强模型，利用弱监督二元标签学习美学图像增强算子，包括分段调色模块和基于深度滤波的美学增强器。其差分性使得能够在端到端的方式下训练 EnhanceGAN 进行美学图像裁剪和色彩增强，实验证明其具有良好的性能。

    Jul, 2017

  • 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

  • 无配对图像增强：以增强学习控制的图像编辑软件为特色

    本文提出了一种基于强化学习框架结合图像编辑软件的无配对图像增强方法，能够高效地实现两项任务：照片增强和美颜，得出的实验结果表明该方法相较于其他无配对学习方法具有更好的性能表现。

    Dec, 2019

  • 基于 GAN 的深度特征检索的无监督对抗攻击

    本文介绍了一种使用生成对抗网络的无监督对抗攻击方法，旨在针对基于深度特征的图像检索系统形成对抗查询，通过在有纹理的区域加入微小扰动使得攻击者的图像查询与原始查询相似度降低。

    Jul, 2019

  • 基于注意力引导的生成对抗网络的无监督图像转换

    本文提出了基于注意力机制的生成对抗网络 AGGAN，在生成图像时使用内置的注意力机制检测最具有辨别性的语义部分并最小化不需要的部分的变化，训练过程中同时考虑对抗损失、循环一致性损失、像素损失和注意力损失，实验表明 AGGAN 比现有模型能够生成更加清晰和准确的图像。

    Mar, 2019

  • 高分辨率图像合成基于自动嵌入生成对抗网络

    本文提出了一种名为 AEGAN 的新型生成对抗网络，该网络使用自编码器学习真实图像的内在高级结构，并设计了一个新型的去噪网络来为生成的图像提供逼真的细节，从而能够直接从输入噪声生成 512x512 的高质量图像，结果比其他基线（包括 Oxford-102 Flowers、Caltech-UCSD Birds（CUB）、高质量大规模 CelebFaces 属性（CelebA-HQ）、大规模场景理解（LSUN）和 ImageNet）产生更好的知觉逼真度，即具有更清晰的结构和更丰富的细节。

    Mar, 2019

  • EnlightenGAN：深度无配对监督的光照增强

    本文提出了一种名为 EnlightenGAN 的高效的非监督生成对抗网络，采用了无配对的训练数据来提高低光图像的质量，通过全局局部鉴别器结构，自我规范化的知觉损失融合和注意机制等方法，在不同种类的图像测试中表现优于其他方法。

    Jun, 2019

  • 无监督像素级域自适应生成对抗网络

    本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

    Dec, 2016

  • PUGAN: 物理模型引导下的双判别器深度学习增强水下图像

    本文提出了一种 PUGAN 物理模型引导的生成对抗网络模型，具有更好的场景适应性和视觉美感，并通过对关键区域进行强化增强，以获得清晰且视觉愉悦的水下图像。

    Jun, 2023

  • 用生成式对抗网络实现无监督图像翻译

    介绍了一种基于深度卷积神经网络以及条件生成式对抗网络的通用方法，通过非监督学习来解决图像转换问题，实现了不同域之间的图像转换，并且在多样性方面表现出了很好的通用性。

    Jan, 2017