【文章整理】CVPR 图像文本生成/GAN 方向文章概要整理

http://bbs.cvmart.net/topics/302/cvpr#10

1. Event-based High Dynamic Range Image and Very High Frame Rate Video Generation using Conditional Generative Adversarial Networks
   使用有条件的GAN进行基于事件的高动态性区域图像和极高帧率视频生成
   摘要： 使用Conditional GAN实现了基于事件摄像机的从一个数据流的可调节部分创造视频/图片的工作，事件的时空坐标栈被用作输入。网络被训练用来基于时空强度变化重新生成图像.
   
   感想： 似乎是一篇GAN的应用。由于没有事件照相机，这个方向基本不可能推进。但是可以了解一些Conditional GAN是什么东西。
2. Mixture Density Generative Adversarial Networks
   混合密度的生成对抗网络
   摘要 提出了一种称为混合密度GAN的变体，通过鼓励分类器在它的嵌入空间形成聚类来解决模型崩溃的问题。以此轮流引导产生器利用这个聚类并发现数据中不同的模型。这是通过将高斯密度函数定位在单纯形的角上，将得到的高斯混合作为鉴频器嵌入上的似然函数，并根据这些似然性为GAN训练制定一个目标函数来实现的。
3. GANFIT: Generative Adversarial Network Fitting for High Fidelity 3D Face Reconstruction
   用于高保真3D人脸建模的生成对抗网络
   摘要 作者使用GAN的方法实现了使用2D图像进行3D图像表面纹理的建模。相当于通过一个人的2D画像，给这个人的3D雕塑上色。
4. Self-Supervised Generative Adversarial Networks via Auxiliary Rotation Loss
   通过辅助旋转损失函数实现自我监督的GAN
   摘要： 当前最前沿的GAN相关算法是有条件的GAN。作者使用两种广泛使用的非监督学习技术，对抗网络和自我监督，为有条件的和非有条件的GANs建立了联系。其中自我监督技术被用在分类器（discrimination），在分类过程中持久性地学习分类图片的特征。在相同条件下，自监督GAN达到了和当前最好的条件匹配相同的性能，FID为23.4。
5. CollaGAN : Collaborative GAN for Missing Image Data Imputation
   用GAN协同的方式解决丢失数据的问题