UNSUPERVISED CROSS-DOMAIN IMAGE GENERATION

最新推荐文章于 2023-07-29 15:06:35 发布
最新推荐文章于 2023-07-29 15:06:35 发布
阅读量626 收藏
点赞数
分类专栏： paper reading notes
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/qq_36356761/article/details/80981384
版权
无监督跨域图像生成是将一个领域的样本转化为另一个领域中相似样本的技术。该方法通过学习一个生成函数GG，将输入样本从SS域映射到TT域。Domain Transfer Network (DTN) 包括保持恒定性的前馈组件和一个正则化组件，该组件鼓励GG将TT域的样本映射回自身，模拟人类识别过程中的低监督信息利用。
摘要由CSDN通过智能技术生成

UNSUPERVISED CROSS-DOMAIN IMAGE GENERATION

Yaniv Taigman, Adam Polyak & Lior Wolf

Abstract

transferring a sample in one domain to an analog sample in another domain
learn a generative function G G that maps an input sample from S to the domain

最低0.47元/天 解锁文章
qq_36356761
关注
专栏目录
DTN论文解读 Unsupervised Cross-domain Image Generation
cumthxy的博客
03-01 623
1相关链接： 原文链接 相关代码 2论文引入 人类非常擅长不同域之间的转换。最近的一些研究在一定程度上重现了人类的这种功能。GAN、style transfer、domain adaptation methods方法。但是，不能解决：给定 S,T但是没有label的样本，和多元函数f,学习 S→T{\rm{S}} \to TS→T的映射， f(x)∼f(G(x)){\rm{f(x)}} \sim ...
Paper Notes: Cross-Domain Image Translation Based on GAN
N4A的博客
03-30 1231
1 GAN 1.1 Introduction To learn the generator’s distribution pgpgp_g over data x, we define a prior on input noise variables pz(z)pz(z)p_z(z), then represent a mapping to data space as G(z;θg)G(z;...
An impressive method to generate Emoji: Unsupervised Cross-domain Image Generation
weixin_43974860的博客
12-06 411
Brief review:
Unsupervised Cross-Domain Singing Voice Conversion
林宋的搬砖流水账
09-06 356
会议： 2020 interspeech 单位：FaceBook 作者：Adam Polyak demo page 文章目录abstractaechitectureExperiments abstract 使用了speech & sing的数据；cross-domain的意思是可以把source singing utt转换成原始为说话or歌唱的音色。 wav2wav的转换，GAN网络 使用了ASR提取声学特征，CNN提取基频，另外提取loudness feature， 提出perceptual l
论文阅读：CROSS-DOMAIN FEW-SHOT CLASSIFICATION VIA LEARNED FEATURE-WISE TRANSFORMATION
Dream_xd的博客
06-19 2474
论文：CROSS-DOMAIN FEW-SHOT CLASSIFICATION VIA LEARNED FEATURE-WISE TRANSFORMATION 地址：https://arxiv.org/abs/2001.08735 代码：https://github.com/hytseng0509/CrossDomainFewShot 来源：ICLR2020 摘要 由于不同领域的数据特征分布具有差异性，因此少样本分类算法对于之前为见过的领域数据效果不好。次论文主要解决的是基于度量的方法在领域迁移（dom.
CVPR2019/图像翻译：TransGaGa: Geometry-Aware Unsupervised Image-to-Image Translation几何感知的无监督图像到图像的翻译
ssshyeong的博客
06-23 1051
提出了一个新的解纠缠和翻译框架，以解决复杂的对象图像到图像的翻译任务。我们不直接学习图像空间上的映射，而是将图像空间分解为外观空间和几何潜在空间的笛卡尔积。具体地说，我们首先引入几何先验损失和条件VAE损失来鼓励网络学习独立但互补的表示。然后，翻译分别建立在外观和几何空间上。......
Glow: Generative Flow with Invertible 1×1 Convolutions翻译
nopSled
04-23 836
摘要
Glow: Generative Flow with Invertible 1×1 Convolutions论文解析及实现(二)
最新发布
weixin_42529756的博客
07-29 662
Glow: Generative Flow with Invertible 1×1 Convolutions 代码实现
Glow: Generative Flowwith Invertible 1×1 Convolutions论文阅读
不要回答的博客
12-02 442
题目：Glow: Generative Flowwith Invertible 1×1 Convolutions 摘要：Glow：具有可逆1×1卷积的生成流 摘要 ： 基于流的生成模型（Dinh等人，2014）在概念上很有吸引力，这是因为精确的对数似然性的可预测性，精确的潜在变量推断的可预测性以及训练和综合的可并行性。在本文中，我们提出了Glow，一种使用可逆1×1卷积的简单类型的生成流。使用我们的方法，我们证明了标准基准的对数似然性有了显着改善。也许最引人注目的是，我们证明了针对普通对数似然目标优化的基
基于对抗生成网络的深度学习图像生成
11-13
基于对抗生成网络的深度学习图像生成。UNSUPERVISED CROSS-DOMAIN IMAGE GENERATION、for ICLR2017 （from arxiv）
Python-GlowGenerativeFlowwithInvertible1x1Convolutions的实现代码
08-11
Glow: Generative Flow with Invertible 1x1 Convolutions的实现代码
GAN合集：各种生成对抗网络，都在这里了
刀刀鱼
11-13 7367
GAN介绍 - 介绍 https://blog.csdn.net/sean2100/article/details/83662975 GAN介绍 - 为什么学习生成式模型? https://blog.csdn.net/sean2100/article/details/83681043 GAN介绍 - 生成式模型是如何工作的? GAN与其他模型有什么区别？https://blog.csdn.net/...
GAN Zoo：千奇百怪的生成对抗网络，都在这里了
热门推荐
06-28 1万+
自从Goodfellow2014年提出这个想法之后，生成对抗网络（GAN）就成了深度学习领域内最火的一个概念，包括LeCun在内的许多学者都认为，GAN的出现将会大大推进AI向无监督学习发展的进程。 于是，研究GAN就成了学术圈里的一股风潮，几乎每周，都有关于GAN的全新论文发表。而学者们不仅热衷于研究GAN，还热衷于给自己研究的GAN起名，比如什么3D-GAN、BEGAN、iGAN、S⊃2
跨域中的crossdomain文件
_Snails_
03-27 6213
跨越文件
对抗式生成网络---验证码的生成
麻花
09-29 3062
最近看生成式对抗网络，做了一点有意思的事情，发现这个东西用于生成验证码真是太爽了，当然精度还有待提高。 传送门 关于生成式对抗网络的原理，自己百度下很多博文 条件生成式对抗网络，也有很多概述 使用的原始域图像为SVHN数据集（老外的门牌号数字），目标域图像为MINST数据集，利用生成式对抗网络可以完成下图的转换。看见这个我想起让我想起了12306的验证码，这让我觉得生成式对抗网络可能会应用于A
论文阅读笔记《Glow : Generative Flow with Invertible 1*1 Convolutions》
Struggling_orange的博客
10-22 4353
  最近精读了这篇论文，阅读笔记如下，其中黑体字部分是对原文内容的基本理解和翻译，绿色字体Note部分是对文章中涉及到的专业术语和网络模型等知识的理解。 Abstract 基于流的生成模型由于以下原因而具有概念上的吸引力：精确对数似然性的可跟踪性、精确的变量推断的可跟踪性、训练和综合的可并行性。 在这篇文章中，作者提出了基于可逆的1*1卷积网络的生成流模型，在标准基准数据集上的对数似然性有了...
Glow: Generative Flow with Invertible 1x1 Convolutions
qq_36356761的博客
07-10 2991
Glow: Generative Flow with Invertible 1××\times1 Convolutions Diederik P. Kingma, Prafulla Dhariwal Abstract flow-based generative models: tractability of the exact log-likelihood, tractability of ...
CartoonGAN: Generative Adversarial Networks for Photo Cartoonization
qq_36356761的博客
06-21 4149
CartoonGAN: Generative Adversarial Networks for Photo Cartoonization Yang Chen, Yu-Kun Lai, Yong-Jin Liu Abstract 类似新海诚的《你的名字》，作者做的是transforming photos of real-world scenes into cartoon style image...
Feature Representation Learning for Unsupervised Cross-domain Image Retrieval
05-11
Feature representation learning for unsupervised cross-domain image retrieval refers to the process of extracting meaningful features from images in one domain (e.g., paintings) and using those ...
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