论文X-gan:Unsupervised Image-to-Image Translation for Many-to-Many Mappings

最新推荐文章于 2022-08-16 15:35:59 发布
最新推荐文章于 2022-08-16 15:35:59 发布
阅读量843 收藏 1
点赞数
分类专栏： 文章 文章标签： 风格迁移
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/liuqiang3/article/details/84031950
版权
X-GAN是一种改进的风格迁移网络，通过引入语义一致损失函数来替代传统的循环一致损失函数，旨在保留语义特征而非像素级别的内容。该方法有助于无监督的图像到图像转换，目前作者正在深入研究。
摘要由CSDN通过智能技术生成

风格迁移网络 Xgan

之前在利用cyclegan做数据集的风格迁移，最近读了下Xgan的论文，相较于cyclegan，xgan的创新点主要使用了语义一致损失函数（semantic -consistency loss）代替了cyclegan的逐像素点计算的循环一致损失函数（cycle-consistency loss），保留语义特征级别信息而不是像素级别内容。
X-GAN网络结构图
网络损失函数:
L x g a n = L r e c + ω d L d a n n + ω s L s e m + ω g L g a n + ω t L t e a c h

最低0.47元/天 解锁文章
liuqiang3
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
DualGAN: Unsupervised Dual Learning for Image-to-Image Translation
09-03
DualGAN: Unsupervised Dual Learning for Image-to-Image Translation
XGAN
Forlogenの解忧杂货铺
04-23 2716
A paper a day keeps trouble away​\color{lime}{A\ paper\ a\ day\ keeps\ trouble\ away\!}A paper a day keeps trouble awa...
风格迁移篇---U-GAT-IT：图像到图像翻译的无监督生成注意网络
m0_61985580的博客
08-16 1951
图像风格迁移
【GANs学习笔记】（二十）CoGAN、ComboGAN、XGAN
a312863063的博客
11-01 7572
3. 如何解决BIG TRANSFORMATION        我们前面提到的风格转换都是比较小幅度的风格转换，有的时候我们会需要做非常大的风格转换，譬如把真人照片转成动漫照片。大风格的转换我们容易想到的一个思路是auto-encoder：  &a
Unsupervised Image-to-Image Translation Networks---VAE+GAN+Cycle
Hungryof的专栏
12-04 5280
总说这篇论文是基于CoGAN的，下面是总体结构图： 文章假设来自两个不同domain的同种语义的图片具有相同的latent vector。比如白天的上海滩与黑夜的上海滩，都是上海滩（高层语义一致，即latent vector一致），而这种语义特征再经过解码成具体的表现形式（底层网络用于语义的具体表现形式）。 因此网络设计如下： E1E_1和E2E_2的高层网络进行共享（具有相同的语义），得
论文笔记之：DualGAN: Unsupervised Dual Learning for Image-to-Image Translation
a1424262219的博客
06-12 628
DualGAN: Unsupervised Dual Learning for Image-to-Image Translation 2017-06-12 21:29:06 　　引言部分： 　　本文提出一种对偶学习模式的 GAN 网络结构来进行 image to image translation。现有的图像之间转换的方法，大部分都是需要图像对的方法，但是实际上...
MARTA-GAN:玛塔·甘斯
05-26
玛塔·甘这是的代码。 多层特征匹配生成对抗网络（MARTA GAN），仅...请引用： @article{lin2017marta, title={MARTA GANs: Unsupervised Representation Learning for Remote Sensing Image Classification}, autho
Unsupervised-Attention-guided-Image-to-Image-Translation-master.zip
12-15
Current unsupervised image-to-image translation techniques struggle to focus their attention on individual objects without altering the background or the way multiple objects interact within a scene....
R-PointHop:R-PointHop
03-16
这是 ， ，Shang Liu和C.-C的R-PointHop的正式实现。 杰伊·郭这项工作是在美国南加州大学的媒体传播实验室（MCL）进行的。介绍在此存储库中，我们发布了用于训练R-PointHop方法和对给定点云对象对进行评估的代码。...
MFF-GAN:MFF-GAN的代码
05-04
title={MFF-GAN: An unsupervised generative adversarial network with adaptive and gradient joint constraints for multi-focus image fusion}, author={Zhang, Hao and Le, Zhuliang and Shao, Zhenfeng and ...
论文阅读记录 1-50篇 20190410-20200316
小树屋
04-19 2448
2019-4-10 High-resolution image synthesis and semantic manipulation with conditional gans CVPR 2018 层级结构 高分辨率图像生成 CFGAN的被引 2019-4-11 Learning compositional visual concepts with mutual consistency...
GAN在Image To Image translation 和Inverse Problem中的应用
omnispace的博客
09-02 1050
上次遗留的Generative adversarial network的应用篇。顺便说一句，矩阵分析老师是垃圾 原文地址：https://zhuanlan.zhihu.com/p/27987845
INSTAGAN论文笔记
liuqiang3的博客
01-09 2076
论文链接：https://arxiv.org/pdf/1812.10889.pdf ICLR 链接：https://openreview.net/forum?id=ryxwJhC9YX 文章介绍了一种利用实例分割标签和原图作为输入，在保证背景不变的前提下对实例进行转换的图像翻译方法。 主要内容： 1.网络结构：生成器网，鉴别器网络结构与cyclegan相似，将多个不同的实例分割标签图一起conc...
Generative Adversarial Network (GAN) papers (2018.2.4 更新）
omnispace的博客
11-07 6599
AdversarialNetsPapersThe classic about Generative Adversarial NetworksThe First paper [Generative Adversarial Nets] [Paper][Code](the First paper of GAN)Unclassified [Deep Generative Image Models usin...
和tan的转换_[综述]基于对抗学习的图像间转换问题-2
weixin_35735088的博客
01-03 315
《基于对抗学习的图像间转换问题-1》的链接地址：https://zhuanlan.zhihu.com/p/2636920121.4、CycleGAN更加具有普适性的无监督图像转换方案，目前来看是基于对偶学习（Dual Learning）的概念。很经典的就是文献[1]提出的CycleGAN结构，给定两个域X和Y，在将X域映射到Y域的同时，又将Y域映射回X域，这里用到了循环一致性（Cycle-cons...
深度学习【47】Unsupervised Image-to-Image Translation with Generative Adversarial Networks
DCD_LIN的博客
04-14 3935
我们之前介绍了pix2pix和pix2pixHD都是属于有监督的图片到图片的转换，也就是其训练数据集要求每一张待转换图片必须有一张目标转换图像相对应。今天我们来看看如何利用GAN做无监督的图像到图像的转换。既然是无监督的图像到图像转换，那么在训练数据集中肯定是没有成对的数据了。比如性别的转换，假设我有张奥巴马的图片，那么肯定不能找到一张女的奥巴马图片吧吧。所以这就叫无监督。还是以性别转换为例，我们还
论文Multimodal Unsupervised Image-to-Image Translation
summer2day的博客
05-16 4461
简介： 无监督图像迁移网络是计算机视觉领域的一个技术难题，即给定一张源域图像，如何在没有其他图像样本的情况下，学习相应目标域图像的条件分布。当处理多维条件分布时，现有的方法是在过度简化的假设条件下，通过绘制源域图像和确定的、一对一的目标图像来进行建模。 然而，上述方法无法用来生成给定源域图像的多种多样的目标图像。因此，本文提出了一种多维无监督图像迁移网络框架。 本文中假定代表图像可以被分解成...
Multimodal Unsupervised Image-to-Image Translation
fuyouzhiyi的博客
10-26 2364
摘要 无监督的图像到图像转换是计算机视觉中的重要且具有挑战性的问题。给定源域中的图像，目标是学习目标域中的对应图像的条件分布，而不会看到对应图像对的任何示例。虽然这种条件分布本质上是多模态的，但现有方法做出了过于简化的假设， 将其建模为确定性的一对一映射。结果，它们无法从给定的源域图像生成不同的输出。为了解决这个限制，我们提出了一种多模态无监督图像到图像转换（MUNIT）框架。我们假设图像表示可以...
2017 NIPS之GAN（image transfer）：Unsupervised Image-to-Image Translation Networks
makabaka的博客
06-11 822
Unsupervised Image-to-Image Translation Networks 开源：https://github.com/mingyuliutw/unit. 当前的问题及概述： 无监督图像-图像转换的目的是利用图像在单个区域的边缘分布来学习图像在不同区域的联合分布。由于存在无穷多的联合分布集合，可以得到给定的边际分布，如果没有额外的假设，就不能从边际分布中推断出联合分布。 本文提出了一个共享潜在空间的假设，并提出了一种基于coupled GANs的无监督图像-图像转换框架。 模型及los
MG-BERT: leveraging unsupervised atomic representation learning for molecular property prediction预训练策略
最新发布
05-10
MG-BERT是一种用于分子属性预测的预训练模型，它是基于BERT的模型。它的预训练策略可以分为以下几步： 1. 原子嵌入：使用晶体学数据库（CSD）中的晶体结构数据，从中提取原子坐标并将其转换为原子嵌入表示。...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值