ICCVAug, 2021

InSeGAN：一种用于深度图像中分割相同实例的生成式方法

PDF
TL;DR本文介绍了 InSeGAN：一种用于分割几乎相同的刚性物体的无监督 3D 生成对抗网络，并提出了一种用于实例分割的子模型，基于 Insta-10 这个新数据集的实验证明了其优异性能。
3d generative adversarial networksegmentationrigid objectsdepth imagesinstance segmentation
发现论文，激发创造
  • InstaGAN：基于实例的图像翻译

    本文提出了一种新的方法 ——instance-aware GAN（InstaGAN），通过引入实例信息和改进多实例转化来翻译图像和相应的实例属性，同时保持实例的排列不变性，并展示了该方法对不同图像数据集的有效性。

    Dec, 2018

  • ImageNet 的 3D 生成

    本文提出了一种基于 3D GAN 的 3D 生成器，采用了不同于以往的数据假设、深度框架和相机模型，在多样化数据集（如 ImageNet）上取得了优于现有技术的纹理和几何质量的结果。

    Mar, 2023

  • 具深度先验知识的室内场景 3D 合成

    该研究提出了一种基于深度的双通道生成器和可切换鉴别器，用于从 2D 数据中合成 3D 感知室内场景的图像，并通过实验表明，该方法可以显著优于现有的最先进的方法。

    Feb, 2022

  • SeGAN：分割和生成隐形图像

    本文研究了遮挡物体的外观补全问题，提出了 SeGAN 方法，通过联合优化分割和生成可见无法覆盖的部位的像素及颜色，实现物体外观的完整还原，并通过实验结果证明 SeGAN 在分割和生成物体的无法覆盖的部分方面优于最先进的分割基线，同时能够可靠地分割自然图像。

    Mar, 2017

  • 从单个深度视图密集重建 3D 物体

    通过 3D-RecGAN ++，使用生成对抗网络从单个任意深度视图重建给定对象的完整三维结构，诸如多视图的对象或类标签，仅使用深度视图的体素网格表示作为输入，充分利用了自动编码器和条件生成式对抗网络框架的生成能力，在高维体素空间中推断对象的准确和细粒度的三维结构，并在合成和真实数据集上得到了验证。

    Feb, 2018

  • MonoCInIS: 基于实例分割的相机无关单目 3D 目标检测

    本文提出了一种基于实例分割的类别级位姿估计方法，利用相机独立几何推理来应对不同数据集的相机视角和内部参数变化，取得了在 KITTI3D 基准测试中超越相机依赖方法的优异表现。

    Oct, 2021

  • 2D GANs 遇见无监督单视角 3D 重建

    提出了一种新的基于图像的神经隐式场方法，该方法利用基于 GAN 生成的多视图图像的 2D 监督，并通过不确定性模块来提高重构性能，从而实现了泛化物体的单视角 3D 重构。

    Jul, 2022

  • 为语义图像合成而拼贴特定类别的 GAN

    我们提出了一种高分辨率的语义图像合成方法，它由基本图像生成器和多个类别特定生成器组成。使用类特定模型的生成器进行独立训练，可以产生高质量的高分辨率图像，同时具有对象级别控制的灵活性。

    Oct, 2021

  • 从实例区分中高效生成实例

    本文提出了一种基于实例鉴别方法的数据高效生成对抗网络（GAN）训练方法，从而解决 GAN 训练中数据匮乏问题导致的过拟合问题，实验结果表明，在 FFHQ 数据集 2K 训练图像的情况下，比最先进的方法 FID 提高了 23.5％。

    Jun, 2021

  • 使用对抗学习从单深度视图中重建 3D 物体

    本文提出了一种新颖的 3D-RecGAN 方法，使用生成对抗网络从单个任意深度视角重建给定对象的完整三维结构，在高维体素空间中通过结合自动编码器和条件生成对抗网络框架的生成能力恢复物体的准确和细粒度的三维结构。广泛的实验表明，该方法在单视角 3D 物体重建方面明显优于现有技术，且能够重建未被见过的物体类型。

    Aug, 2017