该研究提出了一种基于样本的图像翻译框架，可以从输入的一个不同域的图像（如语义分割掩模、边缘地图或姿态关键点）中综合出真实感风格与样本图像中对应语义对象的一致的合成图像。通过联合学习交叉领域对应关系和图像翻译模型，两个任务相互促进从而可以在弱监督下学习。该方法在几项图像翻译任务中优于最先进的方法，图像风格传神并具有语义一致性。

Apr, 2020

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

该研究使用边缘对比学习网络（MCL-Net）进行基于样例的图像翻译，设计创新的边缘对比损失的辅助信息自相关图（SCM）来指导建立密集的对应关系。实验结果表明，该方法在多样化的图像翻译任务中优于现有技术。

Apr, 2022

本文提出了一种无监督的翻译方法，通过对领域进行分离和遮罩，实现了对目标部分的高效重建，从而实现了领域翻译的最新质量和多样性，并能识别不同领域的不同类别。

Jun, 2019

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

本文提出一种自适应视觉变换器 (ViT) 方法，利用集成适配器模块和特征转换层适应不同域的数据，从而实现跨域活体检测，并在多个基准数据集上取得了与现有方法相媲美的性能.

Mar, 2022

本文提出了一种联合框架，通过条件生成无数独特的图像，实现多样性和多映射图像到图像的翻译，使用称为领域嵌入的嵌入表示来表示领域和风格，并在连续的样式插值，连续标签插值和细粒度映射等不同场景下展示其有效性。

Dec, 2018

现有的跨模态域自适应方法在三维语义分割中仅通过跨模态特征匹配预测结果的 2D-3D 补充性，然而，在目标领域缺乏监督的情况下，这种补充性并不总是可靠的。我们为解决缺乏监督的问题，将蒙版建模引入该任务，并提出了一种名为 Mx2M 的方法，该方法利用蒙版的跨模态建模来减小域间差距。我们的 Mx2M 包含两个组成部分。一个是核心解决方案，即跨模态去除和预测（xMRP），它使得 Mx2M 适应各种情景并提供跨模态自监督。另一个是一种新的跨模态特征匹配方式，即动态跨模态滤波器（DxMF），它确保整个方法动态地使用更合适的 2D-3D 补充性。在包括白天 / 夜晚、美国 / 新加坡和 A2D2/SemanticKITTI 在内的三个跨模态自适应场景上，对 Mx2M 的评估在许多指标上取得了显著的改进。

Jul, 2023

这篇文章提出了一种基于 Transformer 的网络 ——TransMatting，能够模拟具有大感受野的透明对象。文章重新设计了 trimap，使用三个可学习的三元标记，以引入高级语义特征到自注意机制中。作者还使用一个小型卷积网络来利用全局特征和非背景掩模，指导从编码器到解码器的多尺度特征传播，以维护透明对象的纹理结构。此外，作者还创建了一个高分辨率的透明对象抠图数据集。实验表明，与当前最先进的方法相比，作者提出的方法具有显著的优越性。

Aug, 2022

本研究提出了一种基于编码 - 解码框架和有条件对抗性训练的统一模型，用于实现多模态和多域图像翻译任务。实验结果表明，该方法优于现有的方法。

Sep, 2019