用于可控图像翻译的风格感知鉴别器
本研究提出使用领域特定映射来重新映射共享内容空间中的潜在特征到特定内容空间,以提高图像的编码质量和风格传递的效果。实验证明,与以往的图像风格转换方法相比,所提出的方法在需要图像间语义对应的复杂场景中表现得更好。
Aug, 2020
本文提出了一种基于扩散的非监督图像转换方法,使用分离的风格和内容表征,并使用 ViT 模型中的中间键提取多头自注意层作为内容保存损失,并匹配文本驱动风格转移的 [CLS] 分类令牌,同时使用额外的 CLIP 损失,实验结果表明,该方法在文本引导和图像引导的转换任务中优于现有的基准模型。
Sep, 2022
本文提出了一种基于三个特定损失的新训练协议,并提出了一种新的评估度量来正确衡量 I2I 翻译模型的潜在风格空间的平滑性,实验结果表明该方法可以显著提高生成图像的质量和插值的渐进性。
Jun, 2021
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
本文提出了一个使用无成对训练数据和单个网络同时训练不同域的多个数据集来学习生成多样化输出的统一框架,并研究了如何更好地提取域监督信息以学习更好的分离表征和实现更好的图像翻译的方法。实验表明,所提出的方法优于或与最先进的方法相当。
Nov, 2019
通过多领域多样本的花式创作,将图像转化为具有不同风格的目标图像,同时保留原图的内容特征,并实现了在一个统一的简洁模型上灵活有效地处理多个域和任意样本,相比其他现有技术在实验中显示出显著进步。
Nov, 2019
本研究探索了利用预训练的基于样式生成器的 “样式空间” 控制本地翻译的可能性。提出了一种名为 “Style Intervention” 的轻量级优化算法,用于在高分辨率图像上进行面部属性编辑,证明了其在视觉和定量结果上的有效性,表现优于现有的基准。
Nov, 2020
本文研究了一种新型一种基于能量的协作学习框架,用于多领域图像到图像的转换。该框架由描述符、翻译器、样式编码器和样式生成器四个组成部分组成,能够实现一个到多个的转换。该框架通过多领域 MCMC 教学共同训练多领域的描述符和多样化的图像生成器。
Jun, 2023
通过使用基于内容的掩码来降低内容不一致性,并通过引入局部鉴别器和特征注意解规范化来减少产生的伪影,该方法在逼真的模拟至真实图像转换和天气转换中实现了最先进的性能,同时在日夜转换中表现良好,并提出了基于类别的翻译质量评估指标 sKVD 和 cKVD。
Sep, 2023