May, 2021

面向交互调制的照片级真实图像修复

PDF
TL;DR本文提出了一种可控 Unet 生成对抗网络 (CUGAN) 来生成高频纹理，该网络包括基网络和条件网络两个模块，通过调整不同尺度的不同特征的权重实现交互控制还原级别，在鉴别器中对中间特征进行自适应调制，并通过简单的过渡方法提供 GAN 和 MSE 效果之间的平滑转换，适用于图像修复操作。
发现论文，激发创造
  • 动态可控残差学习的多维交互调制图像修复

    本文针对实际图像中存在多种类型和程度退化的问题，提出了一种新的多维度调控方法并使用可控残差连接及条件网络构建深度神经网络进行图像修复，实验结果表明该方法在单一和多维度调控任务上均取得了出色表现。

    Dec, 2019

  • 通过自适应特征修改层调制连续层次的图像恢复

    该论文提出了一个统一的 CNN 框架，通过在模型中添加 AdaFM 层实现对任意恢复级别的处理，并且在三个图像恢复任务上进行了广泛的实验，证明了该方法的有效性。

    Apr, 2019

  • UGPNet：通用图像修复生成先验

    本文提出了 UGPNet，这是一个通用图像修复框架，通过采用现有的回归模型和生成模型的组合，有效地实现了回归和生成方法的优点，能够成功地实现高保真图像修复。

    Dec, 2023

  • 关于生成对抗网络的自我调制

    本文提出了一种简单的结构性改进 self-modulation，以提高生成对抗网络 (GAN) 的性能，并证明其可以适用于不同的数据集、架构、损失函数、正则化和超参数设置，大规模的实证研究表明，相对 FID 降低了 5%~35%，并且在 124/144 的研究设置中提高了 GAN 的性能

    Oct, 2018

  • PUGAN: 物理模型引导下的双判别器深度学习增强水下图像

    本文提出了一种 PUGAN 物理模型引导的生成对抗网络模型，具有更好的场景适应性和视觉美感，并通过对关键区域进行强化增强，以获得清晰且视觉愉悦的水下图像。

    Jun, 2023

  • 稳健的无监督 StyleGAN 图像修复

    本文提出了一种基于 GAN 的图像去噪、增强方法，引入了 3 个阶段渐进式潜空间扩展和保守优化器，使该方法对于多种不同水平的退化具有鲁棒性，效果比其他基于 StyleGAN 和扩散方法的方法更好。

    Feb, 2023

  • 基于生成对抗网络的无监督深度图像增强技术

    本文提出了一种基于 GAN 的无监督图像增强模型 (UEGAN)，利用调制机制和质量损失函数增强图像的视觉质量，消除专业照片编辑造成的风格化问题。我们的质量和定量实验验证了我们的模型的有效性。

    Dec, 2020

  • 可控图像翻译的统一生成对抗网络

    该研究提出了一种基于生成对抗网络的统一方法，实现可以由可控的结构来指导的多种图像转换任务，包括手势转换和跨视角图像转换，其性能显著优于其他基于深度学习的方法

    Dec, 2019

  • 鲁棒性条件生成对抗网络

    该研究介绍了一种名为 RoCGAN 的新型条件 GAN 模型，该模型在图像生成的任务中表现优异，并在面临严重噪声的情况下使生成器输出的图像更接近目标空间，实验结果表明，RoCGAN 在各种领域的表现都远优于现有的最先进的 cGAN 架构。

    May, 2018

  • 使用非配对学习技术自由增强图像

    通过使用轻巧的条件生成对抗网络，通过调制编码学习任务形式化低照度图像增强，从而学习从低光到正常光图像空间的一对多关系，使我们的推理模型轻松适应各种用户喜好，并在噪声和干净数据集上实现了有竞争力的视觉和定量结果。

    Oct, 2021