远程感知图像生成的流形对齐统一 GAN 框架
本文研究了 GAN 模型难以正确模拟支持在不连通流形上的分布的问题,并提出了使用多个生成器来解决这个问题的方法,并提出了一种新的方法来学习先验分布,并在不需要人工干预的情况下推断所需的生成器数量,以使模型可以学习支持在不连通流形上的分布。本文的贡献包括证明单一生成器 GAN 模型难以正确模拟支持在不连通流形上的分布以及提出了解决这个问题的方法,并通过实验来验证所提出的方法的有效性。
Jun, 2018
该研究提出了一种新的损失函数,它对临床训练数据集的缺失更为稳健,并应用到使用深度神经网络进行超分辨率图像处理领域中。通过自动编码器进行流形距离,使超分辨率图像与高分辨率图像保持相似的纹理内容,达到匹配人类对结构、亮度和对比度的感知效果。作者在大规模临床数据集上进行了实验验证,并将其与现有技术进行了比较。
Mar, 2019
本文提出了一种半监督流形对齐方法,可以处理不同模式 (或领域) 的遥感图像,涉及多时间序列、多源、多传感器和多角度图像。该方法直接在图像的流形空间上进行对齐,并能够处理分辨率不同的图像。 在多角度、多时间序列和多源图像分类问题上,该方法表现出很好的性能和准确性。
Apr, 2021
提出一种在三维体积中学习隐式表面的方法,从而有效地进行点采样和辐射场学习,在保持 3D 一致性的同时生成高质量、具有真实细节的图像。
Dec, 2021
本文在生成对抗网络中引入流形学习方法来打磨辨别器,考虑局部约束线性和基于子空间的流形以及局部约束的非线性流形,利用流形学习和编码的设计将中间特征表示映射到流形上,并通过协调特征表示和流形视图之间的差异性,实现去噪和流形精细化的两难平衡,并在实验中发现局部约束的非线性流形优于线性流形,性能也明显优于现有的基线算法。
Dec, 2021
本文基于几何学的角度探究 GAN 潜在空间的性质和图像变异机制,并提出一种基于网络结构的方法计算 GAN 图像多丽安流形的黎曼度量,这一方法可以有效地优化潜在空间的优化等应用,并便于解释变换维度。
Jan, 2021
本文提出了一种使用生成对抗网络的半监督学习方法,通过估计数据流形的切空间并注入不变性到分类器中来提高半监督学习性能,在学习反向映射时提出了改进的方法,并提供了关于假样本对半监督学习过程的影响的见解。
May, 2017
该研究基于生成光辐射流流形模型的最近提出的 3D 感知 GAN-Gram,介绍了一种适用于单目头像的三维相容视角合成方法,该方法使用细节流形重构器来学习纹理细节,并将其与光辐射流流形相结合,以实现高保真三维头像重建。
Nov, 2022
本文提出了一种新的 3D-aware GAN,通过在最近的生成辐射流多面体(GRAM)方法定义的一组 2D 辐射流多面体上应用 2D 卷积并应用专用的损失函数进行高效 GAN 训练,从而避免了 prohibitively-expensive 的计算成本,并能够以体积渲染的严格 3D 一致性生成高分辨率图像(高达 1024X1024)。与现有方法相比,在 FFHQ 和 AFHQv2 数据集上的实验表明,我们的方法能够产生高质量的 3D-consistent 结果,明显优于现有的方法。
Jun, 2022