Sep, 2023

蒙面鉴别器用于内容一致的无配对图片翻译

PDF
TL;DR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。
unpaired image-to-image translationcontent consistencydiscriminatorcrop samplingsim-to-real translation
发现论文，激发创造
  • 基于蒙版的无监督内容转移

    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

  • 用于可控图像翻译的风格感知鉴别器

    本文提出了使用原型自监督学习控制风格关注的鉴别器，同时作为评论家和风格编码器来提供条件，以缓解现有图像到图像转换中标签不考虑语义距离所导致输出域控制和插值问题，并基于此进行风格插值，内容移植和局部图像转换。

    Mar, 2022

  • 无配对视频到视频翻译的语义和时间一致性保持

    本文研究了无配对视频到视频翻译的问题，提出了一种新的框架，包括经过精心设计的生成器和鉴别器，以及两个核心目标函数：内容保持损失和时间一致性损失。经过广泛的定性和定量评估，证明了该方法相对于先前的方法具有更优越的性能。

    Aug, 2019

  • 保留自我相似性和域差异性的图像域自适应技术在人员重识别中的应用

    本文提出了一种使用相似度保持对抗生成网络（SPGAN）的无监督学习框架，用于域适应中的人员重新识别，其保持图像的自我相似性和领域不相似性，从而提高人员重新识别精度。

    Nov, 2017

  • 通过重复使用判别器进行图像编码：走向无监督图像翻译

    本文提出了一种新的图像到图像的翻译结构，称为 NICE-GAN。该结构采用判别器来对目标领域的图像进行编码，减少了独立编码器的需求，提高了训练效率。同时，本文提出了一种解耦训练策略来解决培训不一致问题。实验表明该方法在 FID、KID 和人类偏好等指标上优于现有技术。

    Feb, 2020

  • 无配对的图像语义数据鲁棒性转化

    针对许多不成对图像翻译应用需要在翻译过程中保持输入内容的语义，而现有的分布匹配方法容易导致翻译出现意义的混淆，本文提出了一种基于对抗学习的方法来实现对输入内容的意义保护，称为 “语义鲁棒性”，该方法使用多尺度特征空间扰动对鲁棒性损失进行优化，能够有效降低输出的语义翻转现象，并在定量和定性方面优于现有方法。

    Dec, 2020

  • 无监督图像翻译的多作物对比学习

    本文提出了一种新颖的基于对比学习的无配对图像翻译框架 MCCUT，通过多视图裁剪生成多样化的负样本，利用领域一致性误差函数将深度特征空间中的嵌入约束在一起，并采用 DCSE 模块来设计生成器以获得更好的结果。

    Apr, 2023

  • 探索非配对图像翻译中的语义一致性，以生成外科应用数据

    探索了无配对图像翻译技术在手术应用中生成具有语义一致性数据的可行性，并发现结构相似性损失和对比学习的简单组合方法取得了最有希望的结果。定量分析表明，使用这种方法生成的数据具有更高的语义一致性，可以更有效地用作训练数据。

    Sep, 2023

  • 无监督图像到图像翻译中形状变形改善

    通过引入具有扩张卷积的鉴别器以及多尺度感知损失，不仅可以更好地表示物体的形状误差，同时还可以更好地表示在具有挑战性的玩具数据集中的形状变形，以及在人类、娃娃和动漫面孔，以及猫和狗之间存在显着数据集变化的复杂映射中。

    Aug, 2018

  • 无监督多领域多模态图像到图像转换与显式领域约束解耦

    本文提出了一个使用无成对训练数据和单个网络同时训练不同域的多个数据集来学习生成多样化输出的统一框架，并研究了如何更好地提取域监督信息以学习更好的分离表征和实现更好的图像翻译的方法。实验表明，所提出的方法优于或与最先进的方法相当。

    Nov, 2019