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
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
本文引入了一种新的多路径一致性损失,该损失用于评估直接翻译和间接翻译之间的差异,并用于正则化培训,以建立培训模型,包括面对面的翻译,绘画到照片的翻译以及去雨 / 去噪翻译。
May, 2019
本文研究了无监督图像翻译中的自我攻击问题,提出了两种防御技术,发现增强模型抵抗自我对抗攻击的能力能提高生成质量和重构可靠性,降低模型受低幅扰动的敏感度。
Aug, 2019
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。
Dec, 2020
本文提出了一种基于三个特定损失的新训练协议,并提出了一种新的评估度量来正确衡量 I2I 翻译模型的潜在风格空间的平滑性,实验结果表明该方法可以显著提高生成图像的质量和插值的渐进性。
Jun, 2021
本文提出使用 HarmonicGAN 进行无配对图像转换,通过光滑性约束来实现一致的像素映射,并利用距离度量来维护样本的自我一致性。在医疗成像、物体转换和语义标记等应用中得到了明显的定性和定量改善,并取得了优于同类方法的实验效果。
Feb, 2019
本研究提出一种利用图像到图像翻译网络训练形态转换网络的多模态配准方法,通过单模态指标对图像进行训练,无需对齐模态对即可进行训练,适用于多种模态,实验结果表明该方法高度准确。
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
本文提出了一种无监督、基于对比学习的图像翻译方法,其主要思想是学习一个判别器,将不同的图像风格区分开来,并使其监督生成器将这些风格在图像之间进行转移。实验结果表明,该方法在视觉质量和翻译准确度方面优于当前领先的无监督基线模型。
May, 2021