CVPRApr, 2021

双重对比学习用于无监督图像翻译

PDF
TL;DR本文提出了一种新的基于对比学习与双学习设置的方法，用于有效地推断未匹配数据之间的映射，同时解决了 “切割” 方法存在的潜在问题，并通过大量的消融研究和多个挑战性的图像翻译任务展示了优越的性能。然后，我们证明了非监督方法和监督方法之间的差距可以被有效地缩小。
unsupervised learningimage-to-image translationcontrastive learningdual learningmode collapse
发现论文，激发创造
  • 无监督图像对图像翻译的对比学习

    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

  • 无配对图像转换的对比学习

    提出了一种基于对比学习的图像翻译方法，通过最大化两个元素之间的互信息来鼓励相应图像块之间的相似性，从而实现不同领域之间的图像转换，该方法可在单个图像条件下进行一侧图像转换，同时提高了合成图像的质量和减少了训练时间。

    Jul, 2020

  • 无监督图像翻译的多作物对比学习

    本文提出了一种新颖的基于对比学习的无配对图像翻译框架 MCCUT，通过多视图裁剪生成多样化的负样本，利用领域一致性误差函数将深度特征空间中的嵌入约束在一起，并采用 DCSE 模块来设计生成器以获得更好的结果。

    Apr, 2023

  • 无监督多领域多模态图像到图像转换与显式领域约束解耦

    本文提出了一个使用无成对训练数据和单个网络同时训练不同域的多个数据集来学习生成多样化输出的统一框架，并研究了如何更好地提取域监督信息以学习更好的分离表征和实现更好的图像翻译的方法。实验表明，所提出的方法优于或与最先进的方法相当。

    Nov, 2019

  • 探索对比学习在无配对图像翻译中的负面影响

    本文研究了针对无配对图像的图像翻译技术，并分析了循环一致性与对比学习等方法的不足。作者提出了一种新的基于信息论的负样本剪枝技术，其可以在不影响翻译效果的情况下减少耗时和计算成本。实验证明，该技术比基于大批量负样本的方法更加优越。

    Apr, 2022

  • 无监督图像转换网络

    本文介绍了一种基于共享潜在空间假设和 Coupled GANs 的无监督的图像到图像翻译框架，并在多个挑战性的无监督图像翻译任务中取得了高质量的翻译结果，同时也应用于域自适应并实现了最先进的基准数据集性能。

    Mar, 2017

  • 光学相干断层扫描图像的对比非配对图像转换的解剖条件

    通过图像到图像（I2I）转换对不同模态的医学图像进行统一分析，解决因信息差异导致的非成对映射挑战。为了恢复语义一致性，本研究在对比学习非成对 I2I 转换（CUT）方法的基础上，通过额外的分割解码器支持风格解码器，提高样式转换图像与目标分布的相似度，并在无监督领域适应的情景中改善生物标志物在 Home-OCT 图像中的分割，为疾病监测（如年龄相关黄斑病变）提供潜力。

    Apr, 2024

  • 多模态无监督图像到图像的翻译

    本研究提出了一种多模态无监督图像到图像的翻译框架 (MUNIT)，该框架可以将图像表示分解为内容代码和风格代码，从而能够生成来自给定源域图像的多样性输出，并能够通过提供示例样式图像来控制翻译输出的风格。该框架在对比最先进的方法的基础上，通过大量实验证明了其优势。

    Apr, 2018

  • TuiGAN: 使用两个非配对图像进行多功能图像翻译的学习

    本研究提出了一种名为 TuiGAN 的生成模型，该模型可以完成只有两个未经配对图像进行的 UI2I 任务，在 coarse-to-fine 的过程中将生成的图像从全局结构逐渐细化到局部细节。结果表明，该模型在各种 UI2I 任务上都优于基线模型并且可以达到使用足够数据训练的现有最先进 UI2I 模型的性能。

    Apr, 2020

  • 通过学习解缠映像映射进行多映像转换

    本研究提出了一种基于编码 - 解码框架和有条件对抗性训练的统一模型，用于实现多模态和多域图像翻译任务。实验结果表明，该方法优于现有的方法。

    Sep, 2019