Jun, 2021

复杂场景下的几何无监督图像到图像转换

PDF
TL;DR本文介绍了一种在多元和内容丰富的图像上使用单个物体翻译方法的扩展方法，使用基于目标检测的方式对数据集进行扩充，同时提出了一种适应 FUNIT 框架的方法，以利用其他方法中可以看到的目标检测技术的优势。
unsupervised image-to-image translationfunit frameworkobject detectiondiverse datasetcontent-rich images
发现论文，激发创造
  • 少样本无监督图像到图像翻译

    本论文提出一种基于生成对抗网络和网络设计的少样本无监督图像转换算法，通过在基准数据集上的大量实验验证与多种基线方法比较，证明了提出的框架的有效性。

    May, 2019

  • 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

  • 重新思考真正无监督的图像到图像翻译

    本文提出了一种针对图像翻译的无监督学习模型，TUNIT，该模型可以在没有成对数据或领域标签的情况下进行图像 - 图像翻译，同时在各种数据集上表现出可比甚至更好的性能。此外，该模型还可以轻松扩展到半监督学习。

    Jun, 2020

  • COCO-FUNIT: 带有内容编码风格的少样本无监督图像翻译

    提出了一种名为 COCO-FUNIT 的 few-shot 无监督图像翻译模型，通过引入样式嵌入和常数样式偏置模块依据输入图像和示例图像，有效解决图像翻译中的内容丢失问题。

    Jul, 2020

  • 实例级图像到图像的转换

    本文提出了一种基于实例感知的图像翻译方法，通过使用细粒度的本地和全局风格来处理目标图像，从而实现更准确的线性重建并结合不同对象的多样属性，同时为目标域的局部和全局领域分别使用与源域相应空间区域匹配的风格，从而在精细度和粗糙度上同时受益，改进全局转换的质量，最后基于此方法构建了新的基准测试集并通过实验验证可以帮助实现通用对象检测。

    May, 2019

  • 基于生成先验的无监督图像到图像翻译

    本研究提出了一种新的框架，Generative Prior-guided UNsupervised Image-to-image Translation (GP-UNIT)，利用预训练的类条件生成对抗网络 (GANs) 的生成先验来跨越不同领域学习丰富的内容对应关系，并且我们还提出了一种新的粗粒度到细粒度的策略，通过在抽象的语义层面上捕捉一个强大的粗级内容表示来连接对象，进而为更准确的多层级内容对应学习适应性的细粒度内容特征。实验表明我们提出的方法优越性强，可适用于不同的领域和更挑战的任务。

    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

  • 适用于少样本图像翻译的半监督学习

    本文提出了一种半监督的方法，将少量的标记数据应用在源领域训练中，使用噪声容忍的伪标记过程进行半监督学习，并添加循环一致性约束来进一步利用未标记图像信息实现少量样本之间的图像转换。最终实验得到了优秀的结果，相较全监督方法减少了标记数据的要求。

    Mar, 2020

  • 无监督注意力引导的图像到图像翻译

    本研究提出了一种注意力机制结合无监督学习和对抗训练的图像转换方法，能够在不需要监督的情况下，准确地定位并转换图像中的特定对象，从而比现有技术实现更加逼真的图像转换。

    Jun, 2018

  • 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