CVPRApr, 2021

DatasetGAN：最小人力投入的高效标签数据制造工厂

PDF
TL;DR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。
datasetganganssemantic segmentationcomputer visionsemi-supervised learning
发现论文，激发创造
  • BigDatasetGAN: 使用像素级别注释合成 ImageNet 数据集

    本文旨在利用 GAN 生成的图片数据集创建像素级别标注，从而用于预训练，在多个下游任务上取得了较好性能，同时提出了一个基于 ImageNet 的像素级别分割性能评估基准，并提供了类似排行榜的工具

    Jan, 2022

  • 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

  • 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

  • GAN 增强：使用生成对抗网络进行训练数据增强

    本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。

    Oct, 2018

  • 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

  • 基于 DatasetGAN 的医学影像应用：初步研究

    利用现代生成对抗网络训练的 DatasetGAN 可以高质量合成带分割信息的图像，本研究探索 DatasetGAN 在医学成像中的应用，并就其独特特征提出三项优化建议，进而使用合成数据集训练了一个预定义的图像分割技术。结果表明 DatasetGAN 的效果显著且具有潜在用途。

    Feb, 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

  • 自动生成标注数据集的 HandsOff 方法

    本文介绍了 HandsOff 框架，它可以在使用不到 50 个已标记图像的情况下训练，生成数量不限的带有标签的合成图像，这个方法绕过了现有方法的实际缺点，同时具有优异的性能表现。

    Dec, 2022

  • RenderGAN：生成真实标注数据

    该研究提出了一种名为 RenderGAN 的框架，该框架使用 3D 模型和生成对抗网络来生成计算机视觉任务中需要的大量现实且标记的图像，可用于深度卷积神经网络的训练，使其性能显著提高。

    Nov, 2016

  • 基于 GAN 的一次性语义部分分割再利用

    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。

    Mar, 2021