领域解耦生成对抗网络用于零样本基于草图的三维形状检索

AAAIFeb, 2022

领域解耦生成对抗网络用于零样本基于草图的三维形状检索

Domain Disentangled Generative Adversarial Network for Zero-Shot Sketch-Based 3D Shape Retrieval

Rui Xu, Zongyan Han, Le Hui, Jianjun Qian, Jin Xie

TL;DR本文提出了一种基于 DD-GAN 网络的用于 0-shot 检索的手绘三维形状检索方法，通过学习 sketch 和 3D Shapes 的特征区别，生成了与其对应的词向量，生成器结合特定类别生成样本和通用特征生成未知类别的 3D 对象，试验表明该方法显著提高了检索性能。

Abstract

sketch-based 3d shape retrieval is a challenging task due to the large domain discrepancy between sketches and 3D shapes. Since existing methods are trained and evaluated on the same categories, they cannot effectively recognize the categories that have not been used during training. I

sketch-based 3d shape retrieval domain disentangled generative adversarial network zero-shot retrieval unseen categories alignment

发现论文，激发创造

泛零样本学习生成对抗网络

本文研究了广义零样学习问题，提出了一种新的模型联合了三种不同的方法：视觉 -> 语义映射，语义 -> 视觉映射和度量学习，并且将它们统一在一个框架内，最终的实验结果表明该模型不仅在分类已知类别的图像上具有较高的准确性，而且在分类未知类别的图像上性能也比现有的最先进模型要更好。

Nov, 2018

针对素描检索的对抗训练

本研究采用生成对抗网络，从无监督数据中学习出良好的表征，并应用于图像生成、场景分类以及像象形文字这类草图检索。我们提出了一种与草图检索搭配的新型 GAN 结构，并通过对比传统 GAN 结构的表现，证明本研究的草图 GAN 可用于草图的检索，并且相比标准 GAN 结构具有更高的旋转、缩放以及平移稳定性。

Jul, 2016

领域平滑网络用于零样本基于草图的图像检索

该研究提出了一种基于领域平滑网络 (DSN) 的零样本图形检索 (ZS-SBIR) 方法，该方法通过使用跨模态对比方法挖掘增强样本的关系以平滑领域差距，并在草图领域中探索类别特定的记忆库来减少草图的内类别差异。实验结果表明，该方法在 Sketchy 和 TU-Berlin 数据集中表现出色。

Jun, 2021

用于零样本学习的特征生成网络

该研究提出使用生成对抗网络（GAN）来 “合成” 零样本类别的 CNN（卷积神经网络）特征，从而应对通用零样本学习任务中已有的数据不平衡问题。实验结果表明，该方法在多个数据集上的表现均显著优于现有方法。

Dec, 2017

零样本基于草图的图像检索的渐进领域无关特征分解网络

本文提出了一种逐步领域无关特征分解（PDFD）网络，用于零样本基于草图的图像检索（ZS-SBIR），通过将视觉特征分解为域特征和语义特征来维护语义知识的完整性，并使语义特征投影到公共空间，最终的检索特征能够捕获干净且完整的语义信息。实验证明了 PDFD 与现有方法相比在 ZS-SBIR 中具有优越性。

Mar, 2020

零样本草图生成 3D 形状

This paper explores the use of pre-trained models and synthetic renderings to generate 3D shapes from sketches without the need for paired datasets, demonstrating the effectiveness of the approach for generating multiple 3D shapes per input sketch regardless of their level of abstraction.

Jul, 2023

生成式对抗零样本关系学习用于知识图谱

本文提出了一种零样本学习方法，利用生成对抗网络从文本描述中学习新关系的语义特征并在知识图谱中识别新关系的事实，使得知识图谱的扩展更加容易，实验结果表明这种方法可以被广泛应用于任何版本的知识图嵌入，并在 NELL 和 Wiki 数据集上实现了一致的性能提升。

Jan, 2020

少样本三维形状生成

通过利用先前训练好的生成模型，通过领域自适应的方式，基于有限数量的训练数据从而实现了少样本 3D 形状生成，该方法能够在保持多样性的同时避免过度拟合，并通过多种度量评估了生成的质量和多样性。

May, 2023

无监督像素级域自适应生成对抗网络

本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

Dec, 2016

Doodle to Search: 实用的零样本基于草图的图像检索

本文提出了一种新的零样本基于草图的图像检索 (ZS-SBIR) 场景，该场景能够有效解决 ZS-SBIR 实际应用中常见的大领域差异和大规模检索问题，提供了一个全新的 ZS-SBIR 数据集 QuickDraw-Extended，采用了一种新策略来处理领域差异，同时集成了外部语义知识以帮助语义转换，实验表明该模型在现有数据集上表现优异，并提供训练代码和数据集以供未来研究使用。

Apr, 2019