Mar, 2021

Labels4Free：使用 StyleGAN 进行无监督分割

PDF
TL;DR提出一种利用 StyleGAN 生成的物体进行非监督分割的框架，通过在 StyleGAN2 发生器结构中引入分割分支、将生成器分为前景和背景网络，可使我们以非监督的方式生成前景物体的软分割掩模。根据多个物体类别的实验结果，它可以与最好的非监督分割方法相比实现明显的改善。
发现论文，激发创造
  • 在每个深度生成模型中找到一个无监督的图像分割器

    该论文提出了一种使用预训练的 GANs 自动提取前景 - 背景特征进行图像分割的方法，并在多个数据集上与现有方法进行了比较，证明其不需要人类监督就能够以良好的效果进行图像分割。

    May, 2021

  • 基于大规模生成模型的无标签物体分割

    本文介绍了无监督学习在目标分割上的应用，实验表明运用最近的无监督生成式对抗网络可以实现较高质量的前景 / 背景像素分割且优于其它无监督方法。

    Jun, 2020

  • 从改进的层次 GAN 中学习前景 - 背景分割

    提出了一种自动合成图像和分割掩模的方法，利用生成式对抗网络学习将图像分解成前景和背景层，生成高质量数据集并用于训练前景 - 背景分割网络，同时使用前景背景分割网络稳定分层 GAN 的训练。实验证明其生成质量和分割性能与相关方法相似。

    Apr, 2021

  • ILSGAN: 无监督前景 - 背景分割的独立层合成

    采用独立层合成 GAN (ILSGAN) 的显式独立建模方法，以避免信息泄漏，从而在复杂的实际环境下实现强大的前景 - 背景分割性能，并取得了最先进的生成质量和分割性能。

    Nov, 2022

  • OneGAN：条件图像生成、前景分割和细粒度聚类的同时无监督学习

    本研究提出了一种无需标注的无监督学习方法，结合了生成对抗网络和变分自编码器，实现了条件图像生成、前景分割、分级聚类、物体去除和背景补全等多项功能，并在相关任务上取得了最新的最优结果。

    Dec, 2019

  • 扰动生成模型中物体分割的出现

    本文介绍了一种无需人工注释即可学习如何从图像集合中分割对象的模型构建框架，通过训练分层场景的生成模型和特征向量编码器，结合阈值分割技术实现了真实图像中多类物体的自动识别与分割。

    May, 2019

  • 样式分割：使用 StyleGAN 和 CLIP 的无监督语义图像分割

    本文提出了一种基于 StyleGAN2 模型和 CLIP prompts 的自动图像分割方法，可以发现意义明确且一致的语义类群，从而创建合成数据集进行训练，并在公开数据集上展示了最新的结果。

    Jul, 2021

  • 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

  • 一个轻量级聚类框架用于无监督语义分割

    我们提出了一个用于无监督语义分割的轻量级聚类框架，基于自监督视觉变换器的注意特征，通过将这些特征聚类成少量的聚类中心，我们能够将前景和背景的图像补丁分开成不同的组。我们的框架在无监督语义分割方面展示了很大的潜力，并在 PASCAL VOC 和 MS COCO 数据集上取得了最新的成果。

    Nov, 2023

  • 深度无监督感知分组

    本文介绍了一种有效的感知推断框架，该框架能够显式地处理输入和特征的分割，并通过增强神经网络的表示能力并对对象表示进行迭代分组，以及对其分组迭代推理进行摊销从而实现了快速收敛，相比其他处理多物体场景的方法，该方法不假设输入为图像，因此可以直接处理其他模态，并在处理具有纹理分割的复杂图像时提供更好的分类性能。

    Jun, 2016