Image-to-Image重要论文

最新推荐文章于 2024-12-03 21:13:51 发布
最新推荐文章于 2024-12-03 21:13:51 发布
阅读量1.7k 收藏 23
点赞数 5
分类专栏： # 最新论文解读
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.youkuaiyun.com/Czyaun/article/details/103056307
版权

主要是为了自己方便学习，有很多遗漏的地方，谅解~有时间再进一步完善

                                                      图像转换工作总结

类型会议/期刊模型简称论文代码发表年份主要工作

     

        无监督

 [many-to-many]

CVPRstarGAN原始论文pytorch实现2018认可度最高
ECCVGANimation原始论文pytorch实现2018在starGAN上的进一步工作
ECCVMUINT原始论文pytorch实现2018在UNIT上的进一步工作
ACCVsingleGAN原始论文pytorch实现2018在starGAN基础上的工作
TIPAttGAN原始论文pytorch实现2019与starGAN同时发布的工作
CVPRST-GAN原始论文pytorch实现2019当前sota模型
      
      
      
      

   

        无监督

    [one-to-one]

ICCVcycleGAN原始论文pytorch实现2017引入循环一致思想
ICCVdualGAN原始论文pytorch实现 2017与cycleGAN同样的思想
NIPSUNIT原始论文 pytorch实现2017引入隐藏编码
 U-GAT-IT原始论文pytorch实现2019当前的sota模型
      
      
      

        有监督

    [one-to-one]

CVPRpix2pixGAN原始论文pytorch实现2017最初提出图像翻译的模型
CVPRAPDrawing原始论文pytorch实现2019当前艺术肖像画sota模型
      
      
Image-to-Image Translation with Conditional Adversarial Networks 论文笔记
weixin_43399489的博客
07-22 1087
cGANs不同于普通的GANs，除了随机噪声z外，还在Generator和Discriminator中加入了原图x来进行计算。即GAN是学习从噪声z到输出y的映射，conditionalGAN是从图像x和噪声z到输出y的映射。G{x,z}→yGG{x,z}→yGenerator本文的生成器使用U-Net结构，而非简单的Encoder-Decoder结构。判别器使用PatchGAN，即把图像分割成70×7070×70。...
Image-to-Image的论文汇总
小白学视觉
03-28 1741
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达图像生成一直是计算机视觉领域非常有意思的方向，图像到图像的变换是其中一个非常重要的应用，使用图像到图像的变换，可以完成非常多有趣的应用，可以把黑熊变成熊猫，把你的照片换成别人的表情，还可以把普通的照片变成毕加索风格的油画，自从GAN横空出世之后，这方面的应用也越来越多，下面是对这个领域的相关论文的一个整...
Image-to-image
weixin_43596323的博客
04-12 1002
例如，在图像修复任务中，它可以将损坏的图像恢复为原始的、完整的图像。在图像风格转换任务中，它可以将一种风格的图像转换为另一种风格的图像。Image-to-image方法是一种用于图像转换的深度学习方法，它可以将输入图像转换为输出图像，例如将黑白图像转换为彩色图像、将草图转换为真实图像等。图像翻译（Image Translation）：将图像从一个领域转换到另一个领域，例如将黑白图像转换为彩色图像，将草图转换为真实图像，或者将低分辨率图像转换为高分辨率图像。训练网络：使用训练数据对网络进行训练。
CVPR 2020 | 几篇 image-to-image 论文速递
idol24的博客
06-10 3023
点击上方“机器学习与生成对抗网络”，关注"星标"获取有趣、好玩的前沿干货！戳我，查看GAN的系列专辑~！1 Fine-grained Image-to-Image Tr...
基础论文（四）Image-to-Image Translation with Conditional Adversarial Networks
qq_42595295的博客
01-26 567
这篇文章俗称pix2pix(即像素映射到像素),和上一篇cycleGAN是相对的，本文用的是已配对的训练集，而cycleGAN是无配对的训练集。
论文阅读：Image-to-Image Translation with Conditional Adversarial Networks
OctYZ的博客
09-09 2627
L1 损失在不确定边缘具体位置时会鼓励模糊，当不确定像素应采用哪个可能的颜色值时，它也会鼓励选择一种平均的、灰色的颜色。即一个像素的状态（如颜色或强度）只依赖于其局部邻域（Patch）中的像素，而不直接依赖于远处的像素。照片→地图任务偏低的原因可能是在地图中，轻微的结构错误由于其严格的几何形状更加明显，而在更加混乱的航拍照片中则不太显眼。将GAN的目标与更传统的损失（如L2距离）结合起来是有益的。cGANs 的一个显著效果是，它们能生成清晰的图像，即使在输入标签图中不存在空间结构时也会进行“幻觉”生成。
论文阅读：Unpaired Image-to-Image Translation Using Cycle-Consistent Adversarial Networks
OctYZ的博客
09-11 1186
成对训练数据缺乏。
【论文阅读】Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks
presenttoday的博客
12-03 1679
传统方法（如 pix2pix）需要大量成对的训练样本（即域 A 和域 B 的图像一一对应），但在许多实际场景中，获取这样的配对数据非常困难甚至不可能。它的核心思想是引入循环一致性（Cycle Consistency）约束，通过两个生成器和两个判别器，实现域 A 和域 B 之间的双向映射。利用循环一致性损失，退化网络可以学习一个退化方式(真实高分图像到真实低分图像)，超分网络可以学习一个真实超分方式（真实低分到真实高分)以解决配对的高低分图像数目少的问题。对抗损失用于保证生成的图像能够“以假乱真”。
Image-to-Image Translation with Conditional Adversarial Networks
12-01
《Image-to-Image Translation with Conditional Adversarial Networks》是一篇深度学习领域的经典论文，由Isola等人在2017年发表于CVPR（计算机视觉与模式识别）会议上。这篇论文提出了一种新的图像到图像转换方法...
Unpaired Image-to-Image Translation
10-19
Image-to-image translation is a class of vision and graph- ics problems where the goal is to learn the mapping between an input image and an output image using a training set of aligned image pairs.
Image-to-Image papers
Forlogenの解忧杂货铺
05-10 1931
Image-to-Image papers A collection of image-to-image papers. Papers are ordered in arXiv first version submitting time (if applicable). Feel free to send a PR or issue. TOC Supervised Unsupervised U...
[深度学习论文笔记][Image to Sentence Generation] Deep Visual-Semantic Alignments for Generating Image Descri
Hao_Zhang_Vision的博客
11-14 1651
Karpathy, Andrej, and Li Fei-Fei. “Deep visual-semantic alignments for generating image descriptions.” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015. (Citations:
PyTorch 实现Image to Image (pix2pix)
qq_57886603的博客
12-21 8220
一、前言 pix2pix可以实现画风迁移、图片修复、语义分割、图片上色等等。这里主要实现将facades labels转换成真实图片。由于源码中涉及的功能较多，代码较为复杂，这里我将主要部分拿了出来并做了一些小修改。 在传统的GAN中，生成器G的输入是噪声z，目的是让G去学习一种分布去拟合真实数据的分布。而在pix2pix中，G的输入是facades labels，生成器G一方面要尽可能生成真的图片去骗过D，另一方面要使输出尽可能去逼近facades labels对应的真...
图像到图像翻译(Image-to-Image Translation)
AI天才研究院
07-12 887
图像到图像翻译(Image-to-Image Translation) Image-to-Image Translation. 图像到图像翻译(Image-to-Image Translation)
图像几何校正 （介绍Image to Image几何校正详细步骤）
热门推荐
Unnatural_error的博客
07-25 2万+
图像几何变形一般分为两大类:系统性和非系统性。系统性一般有传感器本身引起的，有规律可循和可预测性，可以用传感器模型来校正，卫星地面接收站已经完成这项工作;非系统性几何变形是不规律的，它可以是传感器平台本身的高度、姿态等不稳定，也可以是地球曲率及空气折射的变化以及地形的变化等。我们常说的几何校正就是消除这些非系统性几何变形。 ENVI针对不同的数据源和辅助数据，有以下几种校正方法: 1） Image to Image几何校正 2)Imge to Map几何校正 3) ImagetoImage自动图像配准 4)
Image-to-Image Translation 图像翻译任务中的输入成对图像拼接成一张图技术详解
li1784506的博客
08-20 613
在视觉项目中，图像数据集的预处理是一个非常重要的关键环节，在CycleGAN的项目代码中除本文 描述的一个小细节外，还有很多图像数据预处理代码值得大家学习和引用。在引言部分给出了项目代码的 hub库。想要阅读项目代码的同学可以自行下载学习。
Image-to-Image Translation with Text Guidance
qq_44381060的博客
04-15 3419
Image-to-Image Translation with Text Guidance 作者：Bowen Li、Xiaojuan Qi、Philip H. S. Torr、Thomas Lukasiewicz 时间：2020 会议/期刊：CVPR 为什么提出该文（RefinedGAN）： 该文和以下的工作有联系： Image-to-image translation：该领域的工作和作品只专注于从像素标记的语义图像生成逼真的图像，而不能确定合成图像的视觉属性。 Text-to-image gener
Contrastive Language-Image Pre-training论文
最新发布
03-17
### 关于Contrastive Language-Image Pre-training (CLIP) 的论文下载与阅读 #### CLIP的核心概念 CLIP（Contrastive Language-Image Pre-training）是一种基于对比学习的多模态模型，其主要目标是通过大量的文本-图像对来训练一个能够理解视觉和语言之间关系的通用表示[^3]。该模型利用对比学习的优势，在预训练过程中无需精确预测某个特定的文本描述，而是专注于判断哪些文本更可能与给定的图像相关联[^5]。 #### 论文获取途径 CLIP的相关研究由OpenAI团队完成，原始论文名为《Learning Transferable Visual Models From Natural Language Supervision》。可以通过以下几种方式进行下载： 1. **官方链接**: OpenAI通常会公开发布其研究成果，可以直接访问OpenAI官网并搜索“CLIP”或“Learning Transferable Visual Models From Natural Language Supervision”，找到PDF版本进行下载。 2. **学术资源平台**: 使用Google Scholar或其他学术搜索引擎输入关键词“Contrastive Language-Image Pre-training”或“CLIP paper”。这些平台上可能会提供免费的PDF下载选项。 3. **第三方存储库**: 如果无法直接从官方网站获得，则可以尝试在arXiv上查找是否有上传的版本。大多数机器学习领域的最新进展都会第一时间发布在此处。 #### 阅读建议 为了更好地理解和吸收CLIP的内容，推荐按照如下结构展开阅读： - **摘要部分**：快速了解整个工作的背景意义以及取得的主要成果。 - **方法论章节**：重点掌握如何构建损失函数实现对比学习机制；具体到正样本负样例的选择策略等方面[^4]。 - **实验分析**：注意作者是如何验证零样本迁移能力的有效性的，并且观察跨多种下游任务的表现情况。 以下是Python代码片段用于加载已发布的CLIP模型作为示例： ```python import clip import torch device = "cuda" if torch.cuda.is_available() else "cpu" model, preprocess = clip.load("ViT-B/32", device=device) image = preprocess(Image.open("example_image.jpg")).unsqueeze(0).to(device) text = clip.tokenize(["a diagram", "a dog", "a cat"]).to(device) with torch.no_grad(): image_features = model.encode_image(image) text_features = model.encode_text(text) logits_per_image, logits_per_text = model(image, text) probs = logits_per_image.softmax(dim=-1).cpu().numpy() print(f"Label probs: {probs}") ```
评论 1
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