F-Drop&Match：在高频域中使用死区的 GANs

ICCVJun, 2021

F-Drop&Match：在高频域中使用死区的 GANs

F-Drop&Match: GANs with a Dead Zone in the High-Frequency Domain

Shin'ya Yamaguchi, Sekitoshi Kanai

TL;DR通过引入频率匹配和频率去除技术，可以训练出更真实的、高品质的图片，从而提高生成对抗网络的性能。

Abstract

generative adversarial networks built from deep convolutional neural networks (GANs) lack the ability to exactly replicate the high-frequency components of natural images. To alleviate this issue, we introduce tw

generative adversarial networks frequency matching frequency dropping high-frequency components realistic images

发现论文，激发创造

利用频率分析进行深度虚假图像识别

通过对生成对抗性网络的频域进行分析，我们发现生成的 Deep fake images 在这一领域会展现出一些严重的瑕疵，通过这些瑕疵可以自动识别出 deep fake images，超越了现有的最先进方法。

Mar, 2020

生成模型的频率偏差

该研究通过对生成对抗网络的结构进行分析，提出了一些关于频率偏差和高频伪影的新发现，并尝试分析了一些现有的提高生成质量的方法，但没有实现完美的改进。最后，该研究建议，提升鉴别器的质量将是解决频率伪影问题的关键。

Nov, 2021

频率感知深度假冒检测：通过频率空间学习改善泛化能力

通过频域学习提高深伪造图像检测器的泛化性能，包括使用频率级别的伪造检测方法和一个特定设计的频域学习模块，实现了先进的性能 (+9.8%)，并且所需参数更少。

Mar, 2024

图像重建与合成的焦点频率损失

本研究展示了狭窄频率域中缩小误差能够进一步改善图像重建和合成质量，提出了新的焦点频率损失函数并在多种流行的模型中展示其作用，同时对 StyleGAN2 的潜在性进行了探讨。

Dec, 2020

图像转换的鲁棒频率分布损失函数

该研究论文引入了一种新颖且简单的频率分布损失（FDL）来解决深度学习图像转换方法中常见的问题，通过在频率域内计算分布距离来克服依赖像素级准确对齐的配对数据集所带来的挑战，并证明了 FDL 相比现有的鲁棒性较差的损失函数在图像增强和超分辨率任务中的优越性。

Feb, 2024

基于 GAN 的医学图像增强的频域分解转换

提出了一种新颖的频域分解转译方法（FDDT），用于医学图像转译，通过高频和低频分量的对齐来平衡图像的身份和风格信息，并在 MRI 图像和自然图像上进行了广泛的实验评估。

Nov, 2023

领域泛化的深度频率滤波

本研究提出了一种称为 Deep Frequency Filtering（DFF）的技术，可以通过调节深度神经网络中的不同频率组件来学习域通用特征在跨域转移时具有更好的泛化能力。通过 Fast Fourier Transform（FFT）技术和注意力机制，DFF 可以增强可转移的频率成分并抑制不利于泛化的成分。在多种跨域泛化任务中，DFF 优于现有技术并获得了最佳性能。

Mar, 2022

Fre-GAN: 对抗训练的频率一致音频合成

本文提出了一种名为 “Fre-GAN” 的神经音源模型，通过分辨率连接生成器和分辨率智能的鉴别器，在多个频带中学习各种尺度的频谱分布，有效地实现高保真频率一致性音频合成，并在质量和 MOS 上优于标准模型。

Jun, 2021

频域图像翻译：更逼真的照片，更好的保持身份

该研究提出了一种基于频域的图像翻译框架（FDIT），能够保留源领域的标志性特征，生成视觉质量更优且类真实的图像。

Nov, 2020

通过特征混合和元学习探索频率以提高对抗迁移性

深度神经网络容易受到对抗攻击，本研究通过频率分解的特征融合方法和跨频率元优化方法，提高对正常训练模型和防御模型的攻击传递能力。

May, 2024