CVPRMar, 2022

任意风格转换和域泛化的精确特征分布匹配

PDF
TL;DR本文针对视觉学习中的任意风格转换（AST）和领域泛化（DG）任务，提出了一种新的特征分布匹配方法，即精确特征分布匹配（EFDM），通过在图像特征空间中应用准确的直方图匹配（EHM），准确地匹配了图像特征的经验累积分布函数（eCDF），在各种 AST 和 DG 任务中取得了最新颖的成果，并提供了源代码。
arbitrary style transferdomain generalizationfeature distribution matchingcumulative distribution functionexact histogram matching
发现论文，激发创造
  • 迭代特征匹配：通过对数环境实现可证明的领域泛化

    本文研究了如何在有限数量的训练环境中，针对来自未知测试环境的数据进行域推广，并提出了一种迭代特征匹配算法，保证在看到只有 O (log (d_s)) 个环境之后，产生一个具有泛化性能的预测器。

    Jun, 2021

  • 通过分布特征匹配实现带健壮性保证的标签偏移量量化

    本文提出了一种分布特征匹配（DFM）框架，可以估计标签偏移下的目标标签分布，并研究了 DFM 程序在存在未知污染分布的假设下的健壮性。

    Jun, 2023

  • 通过风险分布匹配实现领域泛化

    通过最小化训练域之间的风险分布差异，建立领域不变性；采用风险分布匹配（RDM）方法，通过对最坏情况域和所有域的综合分布进行对齐，既提高了效果，又提高了计算效率。该方法在标准基准数据集上的实验证明，优于现有的领域泛化方法。

    Oct, 2023

  • 领域泛化的测试时傅里叶风格校准

    通过使用傅里叶变换将特征分解为振幅（样式）特征和相位（语义）特征，并引入测试时傅里叶样式校准（TF-Cal）来校准目标域风格，以增强模型的泛化能力。实验表明，该方法在几个流行的 DG 基准测试和医学图像分割数据集中优于最先进的方法。

    May, 2022

  • 如何通过分布匹配帮助域泛化：一种信息理论分析

    通过概率学的分析，揭示了梯度匹配和表示匹配在推广中的互补关系，并介绍了一种新的方法来同时调整跨域梯度和表示。与现有方法相比，该方法在复杂分布匹配方面表现出优越性能。

    Jun, 2024

  • 人群计数的分布匹配

    该研究提出了一种基于 Distribution Matching 和 Optimal Transport 的 DM-Count 人群计数方法，通过引入 Total Variation loss 来稳定计算，相较于现有高斯平滑方法，在 UCF-QNRF 和 NWPU 数据集上误差减少了近 16%，且在 ShanghaiTech 和 UCF-CC50 数据集上取得了最优结果。

    Sep, 2020

  • HoMM: 无监督域自适应的高阶矩匹配

    本研究提出了 Higher-order Moment Matching (HoMM) 方法，将其扩展到再生核希尔伯特空间 (RKHS) 中，利用高阶统计量进行领域匹配并利用伪标记目标样本提高转移学习性能，验证结果证明 HoMM 方法明显优于现有的基于矩匹配的方法。

    Dec, 2019

  • EGSDE: 借助能量引导的随机微分方程进行无配对图像到图像的转换

    提出了能量引导的随机微分方程方法，通过预训练的能量函数来指导预训练得到的 SDE 进行非配对图像翻译，实现了先进的结果，同时提高了逼真度。

    Jul, 2022

  • 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

  • 深度隐式生成建模的特征函数方法

    本文提出了一种基于特征函数距离（Characteristic Function Distance）的新颖的隐式生成模型评价方法，可用于无监督图像生成，并在实验中表现出优于 WGAN 和 MMD-GAN 变体的性能。

    Sep, 2019