学习生成传达几何和语义的线描
本文首次研究了无监督的手绘草图到照片的合成,提出了一种两阶段翻译任务的方法,添加自监督去噪目标和注意力模块以处理抽象和风格差异,生成的图片忠实于草图且逼真的,并可实现基于草图的图像检索和捕捉人类视觉感知。
Sep, 2019
探索了无配对图像翻译技术在手术应用中生成具有语义一致性数据的可行性,并发现结构相似性损失和对比学习的简单组合方法取得了最有希望的结果。定量分析表明,使用这种方法生成的数据具有更高的语义一致性,可以更有效地用作训练数据。
Sep, 2023
此论文介绍了一种从 3D 模型生成线描的学习方法。 在大量的众包比较中进行训练,实验证明该方法在绘制线描方面比现有技术取得了显著的进步,生成的线描与经验丰富的人类艺术家的作品相当。
Mar, 2020
本文采用解缠和翻译框架解决复杂物体的图像翻译任务,使用外观和几何空间提取出独立但互补的表示,并分开翻译。实验结果表明,该方法在接近刚性和非刚性物体翻译任务中的表现优于其他最先进方法,同时支持多模式翻译。
Apr, 2019
本文提出了第一个半监督(半配对)的框架,用于标签到图像的翻译,使用输入重构任务并利用条件鉴别器来作为反向生成器,证明了所提出模型在标准基准测试中优于现有的无监督和半监督方法,同时使用更少的配对样本。
Jun, 2023
介绍了一种基于深度卷积神经网络以及条件生成式对抗网络的通用方法,通过非监督学习来解决图像转换问题,实现了不同域之间的图像转换,并且在多样性方面表现出了很好的通用性。
Jan, 2017
本文旨在将有监督和无监督的图像翻译方法相结合,在像素到像素图像翻译领域取得了重大突破,提出了一种选择非常少的配对训练样本的方法,并在训练过程中同时使用这些配对样本和未配对样本,从而比 Random Selection 获得了更好的性能。
Sep, 2019
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
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
提出了一种利用线条素描和光线方向自动生成艺术性阴影的全自动化方法,该方法生成出的阴影可以快速传达素描场景的 3D 结构,并包含有较为准确的复杂细节和艺术效果,该方法基于深度学习网络,通过构建潜在空间中的 3D 模型进行阴影数码渲染。
Feb, 2020