Apr, 2021

从改进的层次 GAN 中学习前景 - 背景分割

PDF
TL;DR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。
deep learningimage segmentationgenerative adversarial networkforeground-background segmentation networksynthesis
发现论文，激发创造
  • 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

  • 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

  • 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

  • Labels4Free：使用 StyleGAN 进行无监督分割

    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。

    Mar, 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

  • 远程感知图像中的数据增强和适应的条件生成对抗网络

    使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

    Aug, 2019

  • 对抗生成学习实现无需目标模态基本事实的分割

    本研究提出了一种新的端到端的合成和分割神经网络（EssNet），可以在不使用 CT 手动标签的情况下同时完成未配对的 MRI 到 CT 图像合成和 CT 脾肿大分割，相比于使用合成图像独立训练分割网络的两阶段方法（0.8801），以及使用 CT 手动标签的规范多张分割方法（0.9125）和 ResNet 方法（0.9107），EssNet 取得了显著更高的中位数 Dice 相似系数（0.9188）。

    Dec, 2017

  • 基于层次结构的 GAN 场景生成序列框架

    本文提出了一种基于生成对抗网络的场景生成框架，通过显式控制场景的背景和前景的生成器生成多样化的图像并更好的应对仿射变换和前景物体的遮挡等问题。

    Feb, 2019

  • FurryGAN：高质量前景感知图像合成

    FurryGAN 是一种前景感知图像合成方法，通过引入具有粗细融合的蒙版、辅助蒙版预测器以及使得前景图像和合成图像都具有逼真性等关键组件，能够在无需人工监督的情况下生成具有毛发、皮毛和胡须的逼真图像和详细的透明度蒙版。

    Aug, 2022

  • EditGAN: 高精度语义图像编辑

    提出一种新的方法 EditGAN，通过修改高分辨率部分分割掩码来实现高质量、高精度的语义图像编辑，同时利用生成对抗网络和条件潜空间优化来实现编辑。

    Nov, 2021