CVPRApr, 2022

修复噪音：解开 StyleGAN 迁移学习中源特征的混合

PDF
TL;DR本文提出了一种新的方法，通过引入简单的特征匹配损失来提高生成图像的质量，借助于分解的特征空间，我们提出的 FixNoise 策略可在单个模型中平滑地控制源特征的程度，实验表明，相比于以往的方法，该方法能够生成更具一致性和真实性的图像。
transfer learningstylegandomain translationfeature matching lossdisentangled subspace
发现论文，激发创造
  • 消除噪音：分离源特征以进行可控领域翻译

    本研究提出了一种新方法，通过在目标特征空间的分离子空间中保留源特征来实现高质量的领域翻译，并且可以通过单个模型平滑地控制对源特征的保留程度，能够比之前工作产生更具一致性和真实性的图像，并在不同变换级别上保持精确的可控性。

    Mar, 2023

  • 通过结构化噪声注入实现图像分离生成

    通过多个噪声编码与全连接层进行注入噪声的设计选择，实现了对生成对抗网络（GANs）的潜在空间进行解缠纷的目标，并达到更好的解缠纷分数，同时实现了对生成图像的空间解缠纷、尺度空间解缠纷和前景对象与背景样式的解缠纷，从而实现了对生成图像的精细控制。

    Apr, 2020

  • 图像去噪：基于样式解缠的方法

    通过提取噪音图片和清晰图片的噪音样式和无噪音样式，并利用低响应噪音特征和高响应内容特征的特征空间，从而分离干净内容和噪音，实现像素级属性编辑的图像去噪方法。在合成噪音去除和真实世界图像去噪数据集（SIDD 和 DND）上的广泛实验证明了该方法在 PSNR 和 SSIM 度量方面的有效性，并且在实验中验证了该方法具有良好的可解释性。

    Sep, 2023

  • Fine-Tuning StyleGAN2 用于卡通人脸生成

    本文提出了一种基于 StyleGAN2 预训练模型的图像翻译方法，可在不平衡数据上进行无监督学习，通过简单的微调技术即可学习有限数据，并且可以生成符合源图像结构的逼真目标图像。

    Jun, 2021

  • 跨域对应实现小样本图像生成

    利用预训练的跨域远程监督来降低过拟合，使用锚定策略以鼓励不同程度的真实感，实现源域和目标域之间的自动对应和生成更多样化和逼真的图像的少样本学习模型。

    Apr, 2021

  • 无源域适应的可靠像素级标签生成

    该论文提出了一种简单而新颖的图像翻译工作流程 ReGEN，以解决领域自适应设置中标记源域数据集仅来自预训练黑盒分割模型的问题。

    Jul, 2023

  • 基于相似源域的多源对抗迁移学习与局部特征

    本文提出了一种基于本地特征相似度的多源敌对转移学习方法，通过子网络提取单个来源域和目标域之间的可转移本地特征，用注意力模块对其进行加权，以抑制不可转移的本地特征并增强可转移的本地特征；并证明了该方法在只有本地相似性的转移场景中的可行性，实验中在提出的数据集 “局部 Carvana 图像遮蔽数据集” 的图像分割任务中，实现了比其他多源转移学习方法更好的转移性能。

    May, 2023

  • ContraFeat: 对比深度特征用于语义发现

    本文提出了一个通过关注导航模块和特征变化的损失函数完成的自动化方法，用于简化 StyleGAN 上的语义发现方法，实现了最先进的语义发现性能。

    Dec, 2022

  • 噪声作为域漂移：通过非配对图像翻译去噪医学图像

    通过修改 cycleGAN 模型，将图像去噪问题视为高低噪声域之间的域转换问题，在未配对的视网膜光学相干断层扫描图像上学习这些域之间的映射。在定量和定性评估中，我们展示了这种方法优于其他已有方法，并且结果表明该网络能够区分图像中噪声水平的微小变化。模型的特征映射进一步表明其已学会区分视网膜层和其他不同区域的图像。

    Oct, 2019

  • 用半监督式 GAN 进行解缠学习

    本文提出了一种基于 StyleGAN 的半监督高分辨率解缠方法，旨在克服现有解缠方法在处理高分辨率图像、重视解缠表示的限制以及无监督设置下的不可识别性等局限性。实验结果表明，使用仅有 0.25％〜2.5％的标记数据，就可以在合成和真实数据集上实现良好的解缠，同时提出了新的指标来量化生成器的可控性，并且在探究解缠表示学习和可控生成之间的权衡时，发现其之间存在重要的平衡关系。

    Mar, 2020