- 蒙面鉴别器用于内容一致的无配对图片翻译
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 c - AAAISHUNIT:无配对图像转换的风格协调
本文提出了一种新颖的解决方案来实现非配对图像到图像的翻译,可以通过风格协调的方式处理不同类别中物体的多个组件,以获得最先进的性能。
- ECCV基于核化实例标准化的超高分辨率非配对染色转换
该研究提出了一种基于 Kernelized Instance Normalization (KIN) 的超高分辨率非配对图像转换策略,该方法可用于免疫组织化学染色分析,以及在常规 GPU 空间内高效地实现缝合染色转换。
- MM探索对比学习在无配对图像翻译中的负面影响
本文研究了针对无配对图像的图像翻译技术,并分析了循环一致性与对比学习等方法的不足。作者提出了一种新的基于信息论的负样本剪枝技术,其可以在不影响翻译效果的情况下减少耗时和计算成本。实验证明,该技术比基于大批量负样本的方法更加优越。
- CVPRQS-Attn: 基于查询选择的注意力机制用于 I2I 翻译的对比学习
本文提出了一种基于查询选择注意机制(QS-Attn)的自监督对比学习方法,针对目前随机筛选特征点的问题,选择具有显著性的锚点进行对比损失,同时利用减小的注意力矩阵来实现特征点的路由,从而保持源域中的特征关系。在三个不同的 I2I 数据集中验 - 基于不确定性感知的鲁棒性循环一致性
本文提出了一种基于不确定性感知的广义自适应周期一致性的概率方法,利用广义高斯分布对像素残差进行建模,提高了对于测试数据的强鲁棒性,提高了不成对图像转换的性能。
- ICCV无配对图像转换对比学习中基于实例的难负样本生成
本文研究了无序图像翻译中对比学习的性能问题,提出了实例级别的负样本生成方法 NEGCUT,通过基于输入图像的生成器提出容易区分正样本的负样本,训练方式为对抗损失。此方法在三个基准数据集上显示出了明显优势。
- 各种图像翻译任务的空间相关损失
我们提出了一种新的空间相关损失函数,用于保持场景结构的一致性,支持图像转换过程中的大幅度外观变化,在单模态、多模态和单图像转换的所有三种非配对图像到图像的转换模式中都表现出显著的改进。
- ICCV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 - ECCV无配对图像转换的对比学习
提出了一种基于对比学习的图像翻译方法,通过最大化两个元素之间的互信息来鼓励相应图像块之间的相似性,从而实现不同领域之间的图像转换,该方法可在单个图像条件下进行一侧图像转换,同时提高了合成图像的质量和减少了训练时间。
- CVPR适用于少样本图像翻译的半监督学习
本文提出了一种半监督的方法,将少量的标记数据应用在源领域训练中,使用噪声容忍的伪标记过程进行半监督学习,并添加循环一致性约束来进一步利用未标记图像信息实现少量样本之间的图像转换。最终实验得到了优秀的结果,相较全监督方法减少了标记数据的要求。
- 增强循环一致性正则化用于无配对图像到图像翻译
本文提出了一种新的正则化方法 —— 增强循环一致性正则化(ACCR),该方法适用于无配对图像转换。通过使用真实、假的、重构的和增强的样本,我们试图在辨别器上施加来自半监督学习的一致性正则化。实验结果表明,该方法在诸多方面表现优异,尤其在真实 - 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。
- 非配对图像翻译的不对称生成对抗网络
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 - 在多样化的图像翻译中控制偏见和多样性
本文提出了一种针对失配图像到图像转换中的偏见问题的解决方案,通过引入语义约束确保图像属性的保留,从而实现不带偏见的多样化图像到图像转换。在人脸、物体和场景等领域的实验结果表明了所提出技术的有效性。
- 半监督学习下的属性指导非配对图像翻译
本研究针对虽然已受到广泛研究但是存在监督训练需求及缺乏编码域信息等问题的不配对图像转换(UIT)提出了一种称为 AGUIT 的属性引导 UIT 模型。AGUIT 通过使用新颖的半监督设置,共同考虑 UIT 的多模态和多域任务,在表示去耦和输 - 谐波不配对图像到图像的翻译
本文提出使用 HarmonicGAN 进行无配对图像转换,通过光滑性约束来实现一致的像素映射,并利用距离度量来维护样本的自我一致性。在医疗成像、物体转换和语义标记等应用中得到了明显的定性和定量改善,并取得了优于同类方法的实验效果。
- 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 - 可组合的无配对图像到图像翻译
本研究扩展了一种可扩展的多分布翻译机制,其翻译模型不仅可以从一种分布转换为另一种分布,还可以堆叠以创建复合翻译函数,并使用解耦训练机制进行多分布训练,该机制可以生成具有训练集中未见特征的图像,并通过定性和定量的分析进行样本的可靠性评估。