Jun, 2023

BioGAN：面向微生物图像的非配对 GAN 图像翻译模型

PDF
TL;DR本研究旨在开发一种无标注的基于 GAN 的图像转换模型，将实验室拍摄的微生物图像转换为野外图像，以提高目标检测模型的泛化能力。我们使用合成的野外图像训练目标检测框架，并与实验室图像训练的目标检测框架进行比较，发现在 F1-score 和 mAP 方面有了高达 68.1% 和 75.3% 的改进。
microbiologyimage translationganobject detectiondiversified dataset
发现论文，激发创造
  • 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

  • GANs 用于生物图像合成

    本文提出了一种新颖的 Generative Adversarial Networks（GANs）在荧光显微镜下细胞图像合成的应用，实现了多通道图像生成和通过静态图像预测时间演化。

    Aug, 2017

  • AttentionGAN: 利用 Attention 引导的生成对抗网络实现非配对图像转换

    本文提出了一种新的基于注意力向导的生成对抗网络 (AttentionGAN)，通过生成注意力掩码来识别最具区别性的前景物体，并将生成的输出融合到注意力掩码中，从而获得高质量的目标图像，实验表明，相较于现有的竞争模型，该方法能够生成更鲜明和更现实的图像。

    Nov, 2019

  • DualGAN：无监督的双重学习用于图像到图像的翻译

    通过双重学习机制，该论文提出了一种新的双重生成对抗网络模型 ——DualGAN，可在缺乏标签数据的情况下，实现多种图像翻译任务，并取得了可观的性能提升。

    Apr, 2017

  • 用于图像翻译的非对称生成对抗网络

    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

  • 基于生成对抗网络的跨系统生物图像质量增强：建立多机构显微镜合作网络的基础

    通过生成对抗网络的方法，我们成功实现了从低质量图像到高质量图像的对比转换，产生了具有低均方误差、高结构相似性指数和高峰值信噪比的高质量图像，为跨系统的生物图像质量增强进一步的实施提供了概念验证。

    Mar, 2024

  • 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

  • GANILLA：用于图像到插图转换的生成对抗网络

    本文研究了儿童图书插图作为无配对图像转换的新领域，并提出了一种新的生成器网络来解决当前图像转换模型在样式和内容之间无法取得平衡的问题。同时，本文还提出了一种新的评估框架，通过单独的分类器来考虑内容和样式，并在插图数据集上表现更好。

    Feb, 2020

  • 双生成器对抗生成网络用于多域图像翻译

    该文介绍了一种基于生成对抗网络 (GANs) 的双生成器生成对抗网络 (G$^2$GAN) 方法，可以通过一种单一模型实现多个领域的非配对图像转换，并研究了不同的优化损失，以提高稳定性。该方法在 6 个公共数据集上进行广泛实验，证明了其相对于现有的 GAN 模型在模型容量和图片生成性能上具有卓越的优势。

    Jan, 2019

  • SingleGAN: 单一生成器网络利用多组生成对抗学习进行图像转换

    单个生成器的多领域图像翻译方法 SingleGAN，在多种无配对数据集上显示出明显的优势和普适性。

    Oct, 2018