Sep, 2023

多任务购物网站图片缺陷修复的层次条件半配对图像转换

PDF
TL;DR本研究提出了一种统一的图像到图像翻译 (I2I) 模型，以纠正商品网站上不同产品类型的多个缺陷，该模型利用注意机制层次化地结合高层次的缺陷组和特定的缺陷类型，指导网络关注与缺陷相关的图像区域，并在实际购物网站数据集上进行测试，相较于 WS-I2I，该模型平均通过 63.2% 减少了 Frechet Inception Distance (FID)。
product imagesdefect detectionimage-to-image translationattention mechanismshopping websites
发现论文，激发创造
  • 一种半匹配的标签到图像翻译方法

    本文提出了第一个半监督（半配对）的框架，用于标签到图像的翻译，使用输入重构任务并利用条件鉴别器来作为反向生成器，证明了所提出模型在标准基准测试中优于现有的无监督和半监督方法，同时使用更少的配对样本。

    Jun, 2023

  • 语义分割的极弱监督图像翻译

    本文旨在将有监督和无监督的图像翻译方法相结合，在像素到像素图像翻译领域取得了重大突破，提出了一种选择非常少的配对训练样本的方法，并在训练过程中同时使用这些配对样本和未配对样本，从而比 Random Selection 获得了更好的性能。

    Sep, 2019

  • DeepI2I：通过 GAN 传递实现深层次图像到图像的翻译

    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

  • 基于预训练 StyleGAN2 网络的无监督图像到图像的翻译

    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

  • STEREOFOG -- 基于实际数据集的图像转换去雾

    图像到图像转换是机器学习的一个子类型，具有在存在两个图片域之间需要转换的应用中具有巨大潜力，例如去除雾霾。本文介绍了 STEREOFOG 数据集，该数据集包含 $10,067$ 对模糊和清晰图片，通过自建设备进行拍摄，目的在于探索此领域中图像到图像转换的潜力。我们应用并优化了 pix2pix 图像到图像转换的机器学习框架于该数据集，最终模型达到平均复杂小波结构相似度（CW-SSIM）得分为 0.76，证明该技术对于该问题是适用的。

    Dec, 2023

  • 光学相干断层扫描图像的对比非配对图像转换的解剖条件

    通过图像到图像（I2I）转换对不同模态的医学图像进行统一分析，解决因信息差异导致的非成对映射挑战。为了恢复语义一致性，本研究在对比学习非成对 I2I 转换（CUT）方法的基础上，通过额外的分割解码器支持风格解码器，提高样式转换图像与目标分布的相似度，并在无监督领域适应的情景中改善生物标志物在 Home-OCT 图像中的分割，为疾病监测（如年龄相关黄斑病变）提供潜力。

    Apr, 2024

  • 高保真图像到图像转换的层次流

    提出了一种新流模型（Hierarchy Flow）用于图像到图像的翻译，通过层次化耦合、多尺度建模和对齐式损失实现更好的内容保留和风格转换，在图像到图像翻译任务中达到了最先进的性能。

    Aug, 2023

  • 无监督图像转换中平滑解缕隐空间

    本文提出了一种基于三个特定损失的新训练协议，并提出了一种新的评估度量来正确衡量 I2I 翻译模型的潜在风格空间的平滑性，实验结果表明该方法可以显著提高生成图像的质量和插值的渐进性。

    Jun, 2021

  • DiffI2I：高效的图像 - 图像转换扩散模型

    提出了一种名为 DiffI2I 的简单、高效和强大的 I2I 扩散模型，通过引入紧凑的 I2I 先验提取网络（CPEN），动态 I2I 转换器（DI2Iformer）和去噪网络来解决了传统 DM 在某些 I2I 任务中的效率和生成能力方面的问题。通过在各种 I2I 任务上进行广泛实验证明，DiffI2I 在显著减少计算负担的同时达到了 SOTA 水平。

    Aug, 2023

  • Lafite2: 少样本文本到图像生成

    本文提出了一种在仅有图像数据集的情况下预训练文本到图像生成模型的新方法，通过检索和优化过程综合生成伪文本特征，可以灵活应用于各种情境和模型，并在实验中表现出显著的效果，GAN 模型在完全监督的情况下得到了 6.78 的 FID，是 GAN 最新的 SoTA 结果。

    Oct, 2022