![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
GAN
文章平均质量分 91
xiongxyowo
这个作者很懒,什么都没留下…
展开
-
非成对图像翻译(Unpaired Image-to-Image Translation)部分经典论文汇总
.原创 2022-09-19 21:57:00 · 1551 阅读 · 0 评论 -
[论文阅读] Adversarial Latent Autoencoders
自动编码器网络是一种无监督的方法,旨在通过同时学习编码器-生成器图来结合生成和表示特性。虽然被广泛研究,但它们是否具有与GANs相同的生成能力,或者学习不相干的表征,这些问题还没有被完全解决。我们引入了一个自动编码器来共同解决这些问题,我们称之为对抗性潜自动编码器(ALAE)。它是一个通用架构,可以利用最近对GAN训练程序的改进。我们设计了两个自动编码器:一个基于MLP编码器,另一个基于StyleGAN的生成器,我们称之为StyleALAE。我们验证了这两种架构的解缠特性。原创 2022-09-13 11:22:34 · 361 阅读 · 0 评论 -
[论文阅读] HairGAN: Spatial-Aware Palette GAN for Hair Color Transfer
头发颜色转移的目的是将头发颜色从参考图像转移到原始图像,同时保持原始图像的头发结构。然而,由于复杂的头发结构以及原始图像和参考图像之间头发区域的错位,现有的方法不能很好地完成这一任务。为了解决这些问题,我们提出了一个头发颜色转移GAN(HairGAN)。它首先利用现成的网络从原始图像中提取头发区域,并将其转移到中间的头发颜色。然后,引入空间感知调色板对齐(SAPA)模块来对齐原始图像和参考图像中的头发区域。此外,HairGAN采用了循环一致性重建模块来确保原始图像和转移图像之间的全局一致性。原创 2022-09-04 16:28:07 · 453 阅读 · 0 评论 -
[论文阅读] Diverse Image-to-Image Translation via Disentangled Representations
图像到图像的翻译旨在学习两个视觉领域之间的映射。对于许多应用来说,有两个主要的挑战:(1)缺乏对齐的训练对;(2)从单一的输入图像中获得多种可能的输出。在这项工作中,我们提出了一种基于分离表示的方法,在没有配对训练图像的情况下产生不同的输出。为了实现多样性,我们建议将图像嵌入两个空间:一个是捕捉跨领域共享信息的领域不变的内容空间,一个是特定领域的属性空间。使用分解后的特征作为输入,大大减少了模式崩溃。为了处理不配对的训练数据,我们引入了一个新的跨周期一致性损失。...原创 2022-08-09 11:04:54 · 474 阅读 · 0 评论 -
[论文阅读] Multimodal Unsupervised Image-to-Image Translation
无监督的图像对图像的翻译是计算机视觉中的一个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相应图像的条件分布,而无需看到任何一对相应的图像。虽然这种条件分布本质上是多模态的,但现有的方法做了一个过于简化的假设,将其建模为一个确定性的一对一映射。因此,它们不能从一个给定的源域图像中产生不同的输出。为了解决这一局限性,我们提出了一个多模态无监督的图像-图像翻译(MUNIT)框架。我们假设图像表示可以被分解为内容代码和风格代码,前者是领域不变的,后者是捕捉领域特定的属性。...原创 2022-08-08 20:26:48 · 758 阅读 · 0 评论 -
[论文阅读] Unpaired Image-to-Image Translation Using Adversarial Consistency Loss
未配对的图像-图像转换是一类视觉问题,其目标是利用未配对的训练数据找到不同图像域之间的映射。循环一致性损失是这类问题中广泛使用的约束条件。然而,由于严格的像素级约束,它不能进行形状改变,去除大型物体,或忽略不相关的纹理。在本文中,我们提出了一种新的对抗性一致性损失,用于图像到图像的翻译。这种损失不要求翻译后的图像被翻译成特定的源图像,但可以鼓励翻译后的图像保留源图像的重要特征,并克服上述循环一致性损失的缺点。我们的方法在三个具有挑战性的任务上取得了最先进的结果:摘除眼镜、男性到女性的翻译和自拍到动漫的翻译。原创 2022-08-03 16:51:30 · 340 阅读 · 0 评论 -
[论文翻译] Unpaired Image-to-Image Translation using Adversarial Consistency Loss
[论文地址] [代码] [ECCV 20]只翻译方法部分我们的目标是将图像从一个域翻译到另一个域,并支持多样化和多模态的输出。令XSX_SXS 和XTX_TXT 为源域和目标域,XXX为XSX_SXS 和XTX_TXT的并集(即X=XS∪XTX = X_S \cup X_TX=XS∪XT),x∈Xx \in Xx∈X为单张图像,xS∈XSx_S \in X_SxS∈XS和xT∈XTx_T \in X_TxT∈XT为不同域的图像。我们定义pXp_XpX,pSp_SpS和pTp_TpT翻译 2022-08-03 16:11:40 · 306 阅读 · 0 评论 -
[代码阅读] CycleGAN: Unpaired Image-To-Image Translation Using Cycle-Consistent Adversarial Networks
循环损失的作用在于令源域A的图像在转换至目标域B后,仍然能转换回源域A,这就间接要求A->B的过程不去丢失图像中原有的信息,从而实现图像风格转换。至此对抗损失的判别器部分结束。为了简单起见,只考虑Cycle中的半个循环,另一半是对称的。表示目标域的判别器(用于区分生成的。其中,G代表生成器,...原创 2022-08-03 11:33:04 · 153 阅读 · 0 评论 -
[论文阅读] Unpaired Image-To-Image Translation Using Cycle-Consistent Adversarial Networks
图像到图像的翻译是一类视觉和图形问题,其目标是使用一组对齐的图像对的训练来学习输入图像和输出图像之间的映射。然而,对于许多任务来说,成对的训练数据是不可用的。我们提出了一种方法,在没有配对实例的情况下学习将图像从源域X翻译到目标域Y。我们的目标是学习一个映射GX−>YGX->YGX−>Y,使G(X)G(X)G(X)的图像分布与使用对抗性损失的YYY分布不可区分。因为这个映射是高度欠约束的,我们把它与一个反向映射FY−>XFY->XF。...原创 2022-07-18 14:53:45 · 197 阅读 · 0 评论