点击上方“机器学习与生成对抗网络”，关注"星标"
获取有趣、好玩的前沿干货！
1 Fine-grained Image-to-Image Transformation towards Visual Recognition
现有的图像转换方法主要集中在:如何在合成视觉上有让人感到自然的效果。而生成具有正确身份标签的图像具有挑战性，且相关探索少得多。
在保持身份不变的情况下，对于姿势、视角或尺寸（缩放）具有较大变形的图像转换任务，更具挑战性，例如面部旋转和对象视图变形。
本文的目标是对具有细粒度类别的图像进行转换，以合成保留输入图像身份的新图像，从而可以为后续的细粒度图像识别和少样本学习任务带来好处。
2 Reusing Discriminators for Encoding: Towards Unsupervised Image-to-Image Translation
训练结束后，大多数当前的图像转换框架将丢弃鉴别器。
本文通过重复使用鉴别器来对目标域的图像进行编码，提出NICE-GAN。与以前的方法相比，方法具有两个好处：首先，由于不需要独立的编码组件，因此结构更紧凑；其次，这种插入式编码器直接受对抗损失训练，如果应用了多尺度鉴别器，则其信息量更大，训练更有效。- 代码开源：https://github.com/alpc91/NICE-GAN-pytorch
3 Domain Adaptive Image-to-image Translation
不成对训练下的图像转换image-to-image translation (I2I)在各种应用中都取得了巨大的成功。但其泛化能力仍然是一个悬而未决的问题。
本文证明了现有的I2I模型不能很好地推广到训练域之外的样本，首先，当测试样本超出其有效输入域时，I2I模型可能无法正常工作。其次，如果预期输出与模型训练的结果相距甚远，则结果不可靠。
为了解决这些问题，提出了一种域自适应图像到图像转换（DAI2I）框架，该框架使I2I模型适用于域外样本。框架引入了两个子模块-一个将测试样本映射到I2I模型的有效输入域，另一个将I2I模型的输出转换为预期结果。
4 DUNIT: Detection-based Unsupervised Image-to-Image Translation
大多数图像转换方法将图像视为一个整体，这使得它们生成的效果内容丰富，却不够逼真现实。
本文介绍了一种基于检测的无监督图像到图像转换（DUNIT）方法，该方法在转换过程中明确考虑了对象实例。方法为全局图像和实例分别提取各自表示，然后再将它们融合。
5 High-Resolution Daytime Translation Without Domain Labels
对高分辨率照片中的白天变化进行建模，例如在白天，夜晚或黎明的典型光照下重新渲染同一场景，是一项具有挑战性的图像处理任务。- 本文为此任务提供了高分辨率的白天转换（HiDT）模型。HiDT结合了生成式图像转换模型和新的上采样方案，后者可以高分辨率应用于图像转换。
项目：https://saic-mdal.github.io/HiDT/
获取方式 | 扫下面码添加运营小妹，回复 cvpr图像转换（建议选中长按复制，如已添加直接私聊~），即可获取pdf。
更多分享：
附下载 |《TensorFlow 2.0 深度学习算法实战》
7351
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
