- 博客(19)
- 收藏
- 关注
![](https://csdnimg.cn/release/blogv2/dist/pc/img/listFixedTop.png)
原创 基于GAN的情感面部生成系统
Design and Implementation of Emotional Face Generation Based on Generative Adversarial NetworksDependencies[Python3][PyTorch][Tensorflow] (optional for tensorboard)Please refer to requirements.txt for specific installation package version.Datasets
2020-12-06 14:18:17
832
3
原创 论文笔记:Residual Feature Distillation Network for Lightweight Image Super-Resolution
(1)受益于CNN强大的拟合能力,图像超分取得了极大的进展。尽管基于CNN的方法取得了极好的性能与视觉效果,但是这些模型难以部署到端侧设备(高计算量、高内存占用)。(2)为解决上述问题,已有各种不同的快速而轻量型的CNN模型提出,IDN(Information Distillation Network, IDN)是其中的佼佼者,它采用通道分离的方式提取蒸馏特征。然而,我们并不是很清晰的知道这个操作是如何有益于高效SISR的。
2021-01-29 15:56:57
1249
1
原创 论文笔记:Collaborative Distillation for Ultra-Resolution Universal Style Transfer
摘要(1)通用的风格迁移方法通常利用对大量图像集合上进行预训练的Deep Convolutional Neural Network(CNN)模型(例如VGG-19)的丰富表示形式。尽管有效果,但由于内存有限,其大尺寸模型无法处理超分辨率图像,因此其应用受到了严重限制。(2)作者提出了一种新的知识蒸馏方法(称为协作蒸馏),用于基于编码器-解码器的神经网络风格转移,以减少卷积滤波器。主要思想是通过发现(编码器-解码器对构成了排他性的协作关系,这被视为样式迁移模型的一种新型知识)。(3)此外,为了克服在应用
2021-01-14 18:19:01
985
原创 论文笔记:GANimation: Anatomically-aware Facial Animation from a Single Image
摘要在Star GAN的基础上,GANimation又增加了注意力机制,使用了人脸的AU标签代替离散的情感标签,提高了模型对面部的生成效果,使得它在人脸面部情感转换功能有显著的优势。对于任意情感,GANimation模型将输入的RGB图像定义为Iyr∈RH∗W∗3I_{yr}∈R^{H*W*3}Iyr∈RH∗W∗3把复杂情感分解成一个个AU,本文用一组AU激活值yr=(y1,…,yN)y_r=(y_1,…,y_N)yr=(y1,…,yN)对每个情感进行编码,其中每个yiy_iyi已经经过归一
2021-01-06 10:40:21
654
1
原创 论文笔记:StarGAN Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation
论文笔记:StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image TranslationStarGAN的引入是为了解决多领域间的转换问题的,之前的CycleGAN等只能解决两个领域之间的转换,那么对于含有C个领域转换而言,需要学习C*(C-1)个模型,但StarGAN仅需要学习一个,而且效果很棒。Cycle GAN已经完成图像到图像的翻译任务,但是Cycle GAN也有它不完善的地方,Cycle G
2020-12-19 11:00:14
434
原创 论文笔记:GAN Compression:Efficient Architectures for Interactive Conditional GANs
摘要
2020-12-08 23:20:08
1795
2
原创 论文笔记:Multi-Scale Boosted Dehazing Network with Dense Feature Fusion
摘要(1)作者提出了一种基于U-Net架构的具有稠密特征融合的多尺度增强除雾网络。(2)该方法是基于增强(boosting)和误差反馈(error feedback)两个原则设计的,表明它们适用于除雾问题。(3) 通过在作者提出的模型中的解码器中合并“Strengthen-Operate-Subtract”增强策略,作者开发了一种简单而有效的增强解码器(boosting decoder),以逐步恢复无雾图像。(4)为了解决在U-Net架构中保留空间信息的问题,作者使用反投影反馈方案设计了一个稠密特征
2020-12-08 22:49:54
3432
1
原创 论文笔记:Closed-loop Matters: Dual Regression Networks for Single Image Super-Resolution
摘要(1)
2020-11-21 13:17:50
767
原创 Pytorch指定GPU的方法
一. 改变系统环境变量1.改变系统环境变量仅使目标显卡,编辑 .bashrc文件,添加系统变量:export CUDA_VISIBLE_DEVICES=0# 这里是要使用的GPU编号2.在程序开头设置:os.environ["CUDA_VISIBLE_DEVICES"] = '0,1,2,3'# 在运行程序时指定一般先在程序开头输入该代码。3.运行程序时使用命令行,来设置该程序可见的gpu:CUDA_VISIBLE_DEVICES=0,1,2,3 python xxx.py在终端下
2020-11-16 20:41:17
1200
1
原创 论文笔记:Reusing Discriminators for Encoding: Towards Unsupervised Image-to-Image Translation
摘要
2020-11-15 10:51:22
1616
原创 论文笔记:FFA-Net Feature Fusion Attention Network for Single Image Dehazing
摘要论文代码地址
2020-11-11 23:18:06
2878
原创 论文笔记:Semantically Multi-modal Image Synthesis
摘要(1)该文侧重于语义多模态图像合成(Semantically Multi-modal Image Synthesis,SMIS)任务,即,在语义级别产生多模态的图像。(2)先前工作存在的问题:先前的工作试图使用多个特定于类的生成器,以限制其在少数类的数据集中的使用。(3)该文提出的方法:该文提出了一种新颖的组减少网络(Group Decreasing Network,GroupDNet),该网络利用生成器中的组卷积并逐渐减少解码器中卷积的组数。分组卷积和卷积的介绍。1.Introduction
2020-11-09 17:07:52
1179
原创 论文笔记:Cascade EF-GAN: Progressive Facial Expression Editing with Local Focuses
1.摘要人脸表情编辑通常涉及较大的几何变化,并且需要同时修改多个面部区域。虽然基于生成式对抗网络(GAN)的人脸表情编辑模型已取得了显著性成果,但是在处理大幅度表情变换时如从愤怒到笑等,当前模型依旧会产生伪影和模糊问题。针对这一问题作者提出了以局部区域为重点的渐进式表情转换模型 Cascade EF-GAN。不同于针对整张图像的表情变换模型,该模型将表情变换细分为眼睛,鼻子和嘴巴的局部区域独立地进行表情变换,并采用渐进的方式训练模型。实验表明该模型有助于抑制重叠伪影以及模糊问题,并能产生逼真自然的效果。
2020-11-03 22:34:04
902
3
原创 论文笔记:Watch your Up-Convolution
摘要(1)生成式卷积神经网络,如GAN架构依赖于基于卷积的上采样方法来生成非标量输出(图像或视频序列等)。(2)本文表明常见的上采样方法(反卷积或转置卷积)导致此类模型无法正确再现训练数据的频谱分布。(3)这种影响与底层架构无关,它可轻松被利用去检测生成的数据,如Deepfake。为克服当前生成模型这一缺点,提出在训练优化目标中添加一个新的频谱正则项。...
2020-10-22 21:03:25
1211
原创 PyTorch Learning -- Linear Regression
线性回归线性回归输出是一个连续值,因此适用于回归问题。回归问题在实际中很常见,如预测房屋价格、气温、销售额等连续值的问题。1.基本要素我们以一个简单的房屋价格预测作为例子来解释线性回归的基本要素。这个应用的目标是预测一栋房子的售出价格(元)。我们知道这个价格取决于很多因素,如房屋状况、地段、市场行情等。为了简单起见,这里我们假设价格只取决于房屋状况的两个因素,即面积(平方米)和房龄(年)。接下来我们希望探索价格与这两个因素的具体关系。1.1模型定义设房屋的面积为 x1,房龄为 x2,售出价格为
2020-08-26 15:10:37
438
原创 PyTorch Learning -- Tensor
Tensor1.常见新建tensor的方法:函数功能Tensor(*sizes)基础构造函数tensor(data,)类似np.array的构造函数ones(*sizes)全1Tensorzeros(*sizes)全0Tensoreye(*sizes)对角线为1,其他为0arange(s,e,step)从s到e,步长为steplinspace(s,e,steps)从s到e,均匀切分成steps份rand/randn(*sizes
2020-08-08 11:53:00
221
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人