CVPRMar, 2021

基于 GAN 的一次性语义部分分割再利用

PDF
TL;DR本文介绍利用 GANs 提取像素级别的特征向量进行语义部分分割的方法，只需要一个标记样本和一个未标记的数据集即可实现。实验表明，GANs 的表示具有较强的可区分性，且表现与需要多个标记训练的监督基准方法相媲美。我们相信这种新颖的 GANs 重用方法是适用于许多其他任务的一类无监督表示学习方法。
ganssemantic part segmentationunsupervised representation learningpixel-wise representationdiscriminative
发现论文，激发创造
  • GANORCON: 生成模型在小样本分割中有用吗？

    该研究比较了使用对比学习和基于 GAN 的方法在标准少样本切割基准测试中的表现，结果表明 GAN 方法并没有明显的性能优势，且训练时间更长，可能会引入额外的偏差，同时表明当前生成模型中存在的归纳偏差可以使用标准前馈网络通过对比学习很好地捕捉。

    Dec, 2021

  • 使用无监督学习从 GAN 中提取语义知识

    本文研究对基于生成对抗网络（GANs）的特征蒸馏旨在使用聚类算法对图像进行感知分割和图像翻译，实现无监督语义分割和条件图像合成。

    Nov, 2022

  • 生成对抗网络中的线性语义

    本文主要探讨如何通过线性转换生成图像的特征向量来实现对生成对图像内容的语义控制，并提出了两种基于语义的图像编辑方法：语义条件采样和语义图像编辑。

    Apr, 2021

  • DatasetGAN：最小人力投入的高效标签数据制造工厂

    介绍了 DatasetGAN 方法，利用 GAN 生成合成数据集，仅需少量标注样本，就能训练出能够与传统无监督方法相匹敌的语义分割模型，并在人脸和汽车语义分割任务上取得了领先的性能。

    Apr, 2021

  • 基于生成模型的语义分割：半监督学习与强领域通用化

    本论文提出一个创新的框架，利用半监督学习，生成对图像和标签的联合分布进行判别像素级任务，并通过少量标签图像和大量无标签图像的补充进行训练，该方法在医学图像分割和面部分割领域表现出强大的领域内性能，并展示了从 CT 到 MRI 等领域之外的广泛有效性。

    Apr, 2021

  • 使用生成对抗网络进行半监督和弱监督语义分割

    本文利用大量未标注或弱标注的数据和生成式对抗网络作为背景，提出了一种半监督框架实现语义分割，其中利用推理出的大量虚假图片来强化真实数据的特征聚类；同时，通过提供分类级别信息，提高 GAN 生成图像的质量，进而改善了像素分类，该方法经过在几个挑战性的基准视觉数据集上测试，表现与当前的最先进语义分割方法相当。

    Mar, 2017

  • 用梯度匹配学习对部分分割进行注释

    本文提出了一种半监督方法，使用预训练 GAN 生成图像，并使用自动注释器为 GANN 预测的图像标注对象的部分，有效地降低了有限标记示例下分割误差。

    Nov, 2022

  • GANSeg: 通过无监督分层图像生成学习分割

    本文提出了一种基于生成对抗网络的方法，以隐式关键点作为上下文条件，生成与引导图像细分任务对应的掩模图像。该方法不仅不需要对数据进行标注，而且还可以提高系统对视角和目标位置变化的容忍度。通过生成图像 - 掩模对，本文所提出的方案在公认的基准测试上优于现有的无监督分割方法。

    Dec, 2021

  • 自监督生成对抗网络用于无监督少样本物体识别

    本研究针对无监督 few-shot 目标识别，使用两种 GAN 损失函数进行自监督学习，实验结果表明该方法在 Mini-Imagenet 和 Tiered-Imagenet 数据集上显著优于现有技术。

    Aug, 2020

  • 为语义图像合成而拼贴特定类别的 GAN

    我们提出了一种高分辨率的语义图像合成方法，它由基本图像生成器和多个类别特定生成器组成。使用类特定模型的生成器进行独立训练，可以产生高质量的高分辨率图像，同时具有对象级别控制的灵活性。

    Oct, 2021