主要是为了自己方便学习,有很多遗漏的地方,谅解~有时间再进一步完善
图像转换工作总结
类型 | 会议/期刊 | 模型简称 | 论文 | 代码 | 发表年份 | 主要工作 |
---|---|---|---|---|---|---|
无监督 [many-to-many] | CVPR | starGAN | 原始论文 | pytorch实现 | 2018 | 认可度最高 |
ECCV | GANimation | 原始论文 | pytorch实现 | 2018 | 在starGAN上的进一步工作 | |
ECCV | MUINT | 原始论文 | pytorch实现 | 2018 | 在UNIT上的进一步工作 | |
ACCV | singleGAN | 原始论文 | pytorch实现 | 2018 | 在starGAN基础上的工作 | |
TIP | AttGAN | 原始论文 | pytorch实现 | 2019 | 与starGAN同时发布的工作 | |
CVPR | ST-GAN | 原始论文 | pytorch实现 | 2019 | 当前sota模型 | |
无监督 [one-to-one] | ICCV | cycleGAN | 原始论文 | pytorch实现 | 2017 | 引入循环一致思想 |
ICCV | dualGAN | 原始论文 | pytorch实现 | 2017 | 与cycleGAN同样的思想 | |
NIPS | UNIT | 原始论文 | pytorch实现 | 2017 | 引入隐藏编码 | |
U-GAT-IT | 原始论文 | pytorch实现 | 2019 | 当前的sota模型 | ||
有监督 [one-to-one] | CVPR | pix2pixGAN | 原始论文 | pytorch实现 | 2017 | 最初提出图像翻译的模型 |
CVPR | APDrawing | 原始论文 | pytorch实现 | 2019 | 当前艺术肖像画sota模型 | |