UTSGAN:用于考虑转换的图像转换的未见过转换Sus GAN
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
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
通过将单一翻译分解为多阶段变换并开发一种自适应融合块,我们提出了新颖的堆叠循环一致性对抗网络(SCANs),以在粗糙到精细的方式下提高图像翻译质量并实现更高分辨率的图像翻译。
Jul, 2018
介绍了一种基于GAN的全新图像到图像翻译方法,其中使用同层网络的潜在空间来保留图像内变换,不再需要约束生成器的循环一致性限制,实现了对高级形状和语境等更复杂领域的转换。
Feb, 2019
本文针对GAN模型在非对称翻译任务中的不足,提出了一种AsymmetricGAN模型,采用不对称大小和不同参数共享策略的翻译和重建生成器,以适应不对称需求,在无监督和有监督的图像翻译任务中,提出了不同的优化损失来提高AsymmetricGAN的训练效果和稳定性,并通过多个公开数据集的实验,证明了该模型比现有的GAN模型具有更强的模型能力和更好的生成效果。
Dec, 2019
本文提出了一种名为AsymGAN的模型,通过引入辅助变量(auxiliary variable)来解决不对称领域下的图像翻译过程中出现的质量差、映射模糊、模型敏感性等问题,该模型能够更好地在信息贫瘠的领域转移信息,并在图像翻译上展现出显著的性能提升。
Dec, 2019
本研究提出了一种名为TuiGAN的生成模型,该模型可以完成只有两个未经配对图像进行的UI2I任务,在 coarse-to-fine 的过程中将生成的图像从全局结构逐渐细化到局部细节。结果表明,该模型在各种UI2I任务上都优于基线模型并且可以达到使用足够数据训练的现有最先进UI2I模型的性能。
Apr, 2020
通过在预训练的StyleGAN2模型上进行一系列的模型变换,我们提出了一种新的图像到图像(I2I)转换方法,并提出了一种反演方法,以在源领域和目标领域之间进行I2I翻译。定性和定量评估证明了该方法在图像质量、多样性和与输入和参考图像的语义相似性方面具有优越性能,与最先进的作品相比。
Oct, 2020
DeepI2I为一种新的基于深度学习和层级特征的图像翻译方法,采用转移学习技术和适配器网络解决了高分辨率瓶颈和对小数据集性能较差的问题,在三个数据集上的实验结果表明可以显著提高多类别图像翻译的性能。
Nov, 2020
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