May, 2022

使用生成对抗网络的端到端擦拭修复技术

HTML
PDF
TL;DR本文介绍了RubbingGAN模型，通过建立第一个擦拓字符修复数据集和学习张梦龙碑体字样来修复擦拓字符，实验结果表明，RubbingGAN可以快速有效地修复擦拓字符。
发现论文，激发创造
  • 利用生成对抗网络进行不完整考古物品三维重建

    通过 ORGAN 对象重建生成对抗网络可以有效地预测受损物体的缺失部位，具有很高的恢复受损信息的能力。

    Nov, 2017

  • 使用生成对抗网络完成字体生成

    本文提出了一种字体自动完成网络（TCN），它使用样本字符完成所有字体字符，并通过合并重构和其他各种损失函数，克服了中文等形态变化较多的语言难以保持各个字符风格一致的困难，并且相对于先前的图像转换模型，使用更少的模型参数生成了同一字体的高质量字符图像。

    Nov, 2018

  • 学习清洁：GAN透视

    该研究论文探讨了使用生成对抗网络（GAN）和CycleGAN，将未配对的噪声和无噪声图像转化为配对的干净文档，以用于清理噪声扰动，实现文档清理的任务。

    Jan, 2019

  • 使用深度学习恢复古代文本：以希腊铭文为案例研究

    这篇论文介绍了 Pythia，它是第一个使用深度神经网络从损坏的文本中恢复缺失字符的古代文本修复模型，在 PHI-ML 上实现了 30.1% 的字符错误率并在古代文字修复领域达到了最新水平。

    Oct, 2019

  • ManiGAN: 文本导向的图像操作

    使用生成式对抗网络实现语义编辑，用文本描述所需属性对图像进行编辑和纠正匹配，生成新的属性，同时保留无关的原始内容。在 CUB 和 COCO 数据集上的实验证明了该方法的卓越性能。

    Dec, 2019

  • DE-GAN：一种用于文档增强的有条件生成对抗网络

    该研究提出了一种名为DE-GAN的文档增强生成对抗网络框架，通过条件GAN对严重降解的文档图像进行恢复，实验证明DE-GAN可以在文本清理，二值化，去除模糊和去水印等不同任务中产生高质量的文档修复版本，并且相对于其他最先进的方法，它能够提供持续的改进，证明了该模型将被应用在其他文档增强问题上的灵活性。

    Oct, 2020

  • StrokeGAN: 利用笔画编码减少中文字体生成的模式坍缩

    本论文提出了StrokeGAN算法，通过使用一位笔画编码和笔画编码重建损失函数来避免CycleGAN模型的模式崩溃问题，并在九个不同的字体数据集上展示了StrokeGAN相对于现有方法在字符生成方面的显着优势.

    Dec, 2020

  • 面向交互调制的照片级真实图像修复

    本文提出了一种可控Unet生成对抗网络(CUGAN)来生成高频纹理，该网络包括基网络和条件网络两个模块，通过调整不同尺度的不同特征的权重实现交互控制还原级别，在鉴别器中对中间特征进行自适应调制，并通过简单的过渡方法提供GAN和MSE效果之间的平滑转换，适用于图像修复操作。

    May, 2021

  • AGTGAN: 面向摄影古文字生成的无配对图像翻译

    本文提出一种基于生成对抗网络的无监督方法，能够生成具有多样的字形和真实纹理的古代文字图像，该方法在分类准确率等方面表现出色。

    Mar, 2023

  • 复原古代象形字: 一种多模态多任务神经网络方法

    该研究论文探讨了文化遗产的保存与恢复问题，并提出了一种基于多模态深度学习的古代文字恢复模型（MMRM），通过结合上下文理解和损坏古代文物的残留视觉信息，实现同时预测损坏字符并生成恢复图像的功能。实验结果表明该方法在模拟实验和实际古代铭文中给出了有价值的恢复建议，为古代社会和文化的理解提供了贡献。

    Mar, 2024