May, 2021

在每个深度生成模型中找到一个无监督的图像分割器

PDF
TL;DR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。
gansimage segmentationpretrained modelsautomatic procedureforeground-background separation
发现论文，激发创造
  • 从改进的层次 GAN 中学习前景 - 背景分割

    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。

    Apr, 2021

  • 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

  • GAN 潜空间中可解释方向的无监督发现

    本文提出了一种无监督的方法来确定预先训练 GAN 模型的潜在空间中的可解释方向，从而实现对图像的控制生成，其应用包括弱监督显着性检测等。

    Feb, 2020

  • 基于大规模生成模型的无标签物体分割

    本文介绍了无监督学习在目标分割上的应用，实验表明运用最近的无监督生成式对抗网络可以实现较高质量的前景 / 背景像素分割且优于其它无监督方法。

    Jun, 2020

  • 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

  • 扰动生成模型中物体分割的出现

    本文介绍了一种无需人工注释即可学习如何从图像集合中分割对象的模型构建框架，通过训练分层场景的生成模型和特征向量编码器，结合阈值分割技术实现了真实图像中多类物体的自动识别与分割。

    May, 2019

  • 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

  • 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

  • 基于补丁的深度无监督图像分割使用图割

    本研究提出了一种基于图像块的无监督图像分割策略，将深度聚类方法中无监督特征提取的进展与经典基于图形的方法的算法帮助相结合。我们展示了一个简单的卷积神经网络，通过使用图割来迭代地正则化图像块的分类，从而自然地实现了最先进的全卷积无监督像素级分割器。此外，我们证明了这是利用由视觉变换器模型生成的图像块级别对偶特征的理想场景。我们在真实图像数据上的结果证明了我们提出方法的有效性。

    Nov, 2023

  • UnSegGNet: 无监督图神经网络图像分割

    利用预训练视觉转换模型提取输入图像的高级特征，然后利用图神经网络和基于模块性的优化准则，无需依赖预先标记的训练数据，从图像中提取和划分有意义的边界，实现了竞争性能，进而对无监督医学图像和计算机视觉领域做出了贡献。

    May, 2024