深度生成
文章平均质量分 59
骨灰小鱼人提莫
这个作者很懒,什么都没留下…
展开
-
UCTGAN: 基于无监督跨空间转化的多样性修复(2020 CVPR)
提出了UCTGAN(无监督跨空间转化条件生成对抗网络),两个编码器网络将实例图片和受损图片投影到低维流形空间,然后跨语义注意力层将低维空间特征结合,最后,生成器计算出条件重构图像。损失函数由四部分组成。此外,还增加了实例图像和真实图像在低维空间的L1范数。最后,以生成对抗网络训练模型,且判别器在图像空间对图像进行判别。如何以实例图像引导重建为条件进行多元图像修复,并且最大化训练数据集变分下界的条件似然对数?提出了用实例图像引导多元修复的模型框架,模型可以学习掩码图像的分布,并合成修复结果。原创 2022-09-25 09:39:47 · 1145 阅读 · 0 评论 -
PiiGAN:用于多元图像修复的生成性对抗网络(2020 IEEE Access三区)
2020年,蔡和伟等人提出的PiiGAN,开辟了GANs用于多样化图像修复的道路。PiiGAN是一个深度生成模型,该模型融入能够提取风格特征的风格提取器,从而帮助生成对抗网络,提取图像的潜在特征。准确地说,该模型由一个生成器和提取器网络组成,并且以平行结构地形式进行多元图像修复。在生成对抗网络中使用特征提取器,并引入一致性损失,引导生成器学习与输入图像语义匹配的各种形式。如何使用GAN网络进行多样性图像修复?原创 2022-09-23 15:10:44 · 896 阅读 · 0 评论 -
Pluralistic Image Completion(2019 CVPR)论文解读
问题如何得到不完整图像潜层变量的分布,并且从该分布中采样的得到完整的图像?创新点1.提出了两条并行训练的新网络结构,将先验条件和潜在变量耦合产生多元结果。2.在生成网络中加入长短期注意力层,提高真实感。原创 2022-09-23 15:05:33 · 791 阅读 · 2 评论 -
生成式对抗网络的效果评估
GAN是当今最流行的图像生成模型之一; 我们可以在很多论文中看到用不同的GAN生成的清晰又逼真的图像。然而,如果仅用肉眼来对图像质量进行主观评价,显然不能科学地评估一个模型的性能,我们需要用恰当的方法来定量地衡量GAN的生成能力,准确地刻画生成样本的质量和多样性,度量生成分布与真实分布之间的差异。目前我们往往通过IS (Inception Score)、FID ( Frechet Inception Distance )对生成样本的质量和多样性进行评估。...原创 2022-07-11 11:30:57 · 845 阅读 · 0 评论 -
单阶段单结果图像修复
本文整理了单阶段单一结果图像修复的一些论文,帮助读者了解和整理思路。上下文编码Pathak等人提出了一种上下文编码图像修复网络,该网络使用向上下像素预测的方法,将无监督特征学习应用到大孔洞图像修复。模型结构如图所示。编码端提取输入图像的特征表示,解码端将压缩后的特征图逐步放大,恢复到原始图像的大小。由于卷积层不能直接连接特定特征地图中的所有位置,因此由卷积层组成的编码器无法使信息从特征地图的一个角落直接传播到另一个角落。提出了一种基于步长1卷积的全连通层跨通道信息传播方法,作为编解码器之间的原创 2022-04-11 09:37:26 · 735 阅读 · 0 评论 -
变分自编码VAE
前言VAE模型是Kingma(也是Adam的作者)大神在2013年发表的文章,是一篇非常非常经典,且实现非常优雅的生成模型,同时它还为bayes概率图模型难以求解的问题提供了一种有效的思路。论文原名为Auto-Encoding Variational Bayes,是一种通用的利用auto-encoding方法结合variational lower bound求解bayes图模型隐变量的方法论。而VAE(Variational Auto-Encoding)是在该方法论下的一个具体示例。先介绍一下有向图原创 2022-04-09 11:34:01 · 2475 阅读 · 0 评论