WACV 2021 论文大盘点-GAN篇

本篇总结关于 GAN 的论文，包括人脸编辑、单图像中合成、大规模视频合成、自动缺陷检测、对非均质光照图像处理等。

共计 11 篇。如有遗漏，欢迎补充。

下载包含这些论文的 WACV 2021 所有论文：

『WACV 2021 开幕，更偏重技术应用，附论文下载』

用于缺陷检测

Defect-GAN: High-Fidelity Defect Synthesis for Automated Defect Inspection

自动缺陷检测对于先进制造业中有效的维护、维修和操作至关重要。但在使用深度神经网络进行任务研究时往往受缺陷样本缺乏的限制。

作者在本次研究中设计了一种自动缺陷合成网络：Defect-GAN，可以生成真实的、多样化的缺陷样本，用于训练精确的、鲁棒的缺陷检测网络。Defect GAN 通过损坏和恢复过程进行学习，其中损坏在正常表面图像上生成缺陷，而恢复则是去除缺陷生成正常图像。

它是采用了一种新颖的基于合成层的架构，用于在各种图像背景中生成具有不同纹理和外观的逼真缺陷，它还可以模拟缺陷的随机变化，并对生成的缺陷在图像背景中的位置和类别进行灵活控制。

实验验证，Defect-GAN 所合成各种缺陷具有多样性和保真度。此外，合成的缺陷样本证明了其在训练更好的缺陷检测网络方面的有效性。

作者 | Gongjie Zhang, Kaiwen Cui, Tzu-Yi Hung, Shijian Lu

单位 | 南洋理工大学等

论文 | 

https://openaccess.thecvf.com/content/WACV2021/papers/Zhang_Defect-GAN_High-Fidelity_Defect_Synthesis_for_Automated_Defect_Inspection_WACV_2021_paper.pdf

用于图像合成

InfoMax-GAN: Improved Adversarial Image Generation via Information Maximization and Contrastive Learning

作者在本次工作中提出一个原则性框架，来同时缓解 GANs 中的两个基本问题：catastrophic forgetting of the discriminator（判别器）和 mode collapse of the generator（生成器）。并通过对 GANs 采用对比学习和相互信息最大化的方法来实现这一目标，并进行了广泛的分析以了解改进的来源。

与最先进的作品相比，所提出方法在相同的训练和评估条件下，显著稳定了GAN 训练，提高了 5 个数据集的图像合成 GAN 的性能。

特别是与 SSGAN 相比，在人脸等图像域上没有出现性能较差的问题，反而显著提高了性能。

简单易行，实用性强：它只涉及一个辅助目标，计算成本低，并且在广泛的训练设置和数据集上鲁棒地执行，无需任何超参数调整。

作者 | Kwot