ECCVJul, 2022

无监督图像转换和不确定性量化，使用不变性网络

PDF
TL;DR本文提出了一种不需要配对训练数据的单向域映射方法，使用 GAN 架构和基于补丁不变性的新型生成器损失来实现适当的图像转换，并通过皮片残差建立了一个输入相关的比例图来准确预测不确定性。通过在三个医学数据集上全面评估，相较于四种最先进方法，我们观察到更高的准确性，表明该方法用于无教师图像转换具有很大的潜力。
unsupervised image transfergan architecturepatch invariancealeatoric uncertaintymedical databases
发现论文，激发创造
  • 无监督图像转换网络

    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

  • 基于不确定性感知的鲁棒性循环一致性

    本文提出了一种基于不确定性感知的广义自适应周期一致性的概率方法，利用广义高斯分布对像素残差进行建模，提高了对于测试数据的强鲁棒性，提高了不成对图像转换的性能。

    Oct, 2021

  • 基于不确定性引导的渐进式生成对抗网络用于医学图像翻译

    本文提出了一种基于不确定性引导的逐渐学习方案，通过将不确定性作为逐步训练的 GAN 的注意力图，逐步生成逼真的图像，并将其应用于 PET 到 CT 转换、MRI 重构和运动伪影校正等三个医学图像翻译任务中，实现了良好的性能提升。

    Jun, 2021

  • 基于生成先验的无监督图像到图像翻译

    本研究提出了一种新的框架，Generative Prior-guided UNsupervised Image-to-image Translation (GP-UNIT)，利用预训练的类条件生成对抗网络 (GANs) 的生成先验来跨越不同领域学习丰富的内容对应关系，并且我们还提出了一种新的粗粒度到细粒度的策略，通过在抽象的语义层面上捕捉一个强大的粗级内容表示来连接对象，进而为更准确的多层级内容对应学习适应性的细粒度内容特征。实验表明我们提出的方法优越性强，可适用于不同的领域和更挑战的任务。

    Apr, 2022

  • In2I ：基于生成对抗网络的无监督多图像到图像转换

    本文介绍了一种利用多个输入域来实现图像翻译的方案，使用基于生成对抗网络的多模式生成器结构和一种新的损失项，潜在一致性损失，实现了比现有无监督图像到图像转换方法更好的转换效果。

    Nov, 2017

  • 用生成式对抗网络实现无监督图像翻译

    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

  • 无配对的图像语义数据鲁棒性转化

    针对许多不成对图像翻译应用需要在翻译过程中保持输入内容的语义，而现有的分布匹配方法容易导致翻译出现意义的混淆，本文提出了一种基于对抗学习的方法来实现对输入内容的意义保护，称为 “语义鲁棒性”，该方法使用多尺度特征空间扰动对鲁棒性损失进行优化，能够有效降低输出的语义翻转现象，并在定量和定性方面优于现有方法。

    Dec, 2020

  • 关于无监督图像到图像的转换和 GAN 稳定性

    该研究论文探讨图片到图片翻译的问题，以及如何在计算机视觉应用中如上色、修补和分割等方面应用无监督学习和生成对抗网络，并提出两种模型以解决 GAN 稳定性问题，并得出与文献讨论一致的问题假设。

    Oct, 2023

  • 具有自适应损失的不确定性感知 GAN 用于稳健的 MRI 图像增强

    本文提出了一种基于 GAN 的框架，其中 (i) 模型自适应损失函数以提高模型对 OOD - 噪声数据的鲁棒性，(ii) 对预测的每个体素的不确定性进行了估计，在医学成像领域表现出优异的性能。

    Oct, 2021

  • GP-UNIT: 通用的生成式先验用于多功能无监督图像到图像翻译

    本文提出了一种新颖的多功能框架 —— 生成先验引导的非监督图像到图像翻译（GP-UNIT），通过学习多层级内容对应，可以在各种领域中实现高质量、多样化的翻译。

    Jun, 2023