论文X-gan:Unsupervised Image-to-Image Translation for Many-to-Many Mappings

最新推荐文章于 2022-08-16 15:35:59 发布
原创 最新推荐文章于 2022-08-16 15:35:59 发布 · 951 阅读 · 1 ·
CC 4.0 BY-SA版权
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。
文章标签：

#风格迁移

X-GAN是一种改进的风格迁移网络，通过引入语义一致损失函数来替代传统的循环一致损失函数，旨在保留语义特征而非像素级别的内容。该方法有助于无监督的图像到图像转换，目前作者正在深入研究。

风格迁移网络 Xgan

之前在利用cyclegan做数据集的风格迁移，最近读了下Xgan的论文，相较于cyclegan，xgan的创新点主要使用了语义一致损失函数（semantic -consistency loss）代替了cyclegan的逐像素点计算的循环一致损失函数（cycle-consistency loss），保留语义特征级别信息而不是像素级别内容。
X-GAN网络结构图
网络损失函数:
Lxgan=Lrec+ωdLdann+ωsLsem+ωgLgan+ωtLteachL_{xgan} = L_{rec} +\omega_{d}L_{dann} + \omega_{s}L_{sem} + \omega_{g}L_{gan} + \omega_{t}L_{teach}Lxgan​=L

最低0.47元/天 解锁文章
Unsupervised Image-to-Image Translation Networks---VAE+GAN+Cycle
Hungryof的专栏
12-04 5469
总说这篇论文是基于CoGAN的，下面是总体结构图： 文章假设来自两个不同domain的同种语义的图片具有相同的latent vector。比如白天的上海滩与黑夜的上海滩，都是上海滩（高层语义一致，即latent vector一致），而这种语义特征再经过解码成具体的表现形式（底层网络用于语义的具体表现形式）。 因此网络设计如下： E1E_1和E2E_2的高层网络进行共享（具有相同的语义），得
李宏毅GAN 学习笔记3 -- Unsupervised Conditional Generation
s1nnix的博客
12-11 527
Unsupervised Conditional Generation 无监督的条件GAN网络，简单来说就是给出两堆data（data之间没有任何的关联），machine自己学到怎么从一堆转到另外一堆。 有两种方法，第一种是Direct Transformation，直接进行转换，这种方法适用于input和output的差别比较小，比如说是颜色或者风格上的变化。 具体实现： 第二个是Projection to Common Space，这种方法适用于比较复杂的转换，就不仅仅是简单的改改颜...
XGAN
Forlogenの解忧杂货铺
04-23 3081
A paper a day keeps trouble away​\color{lime}{A\ paper\ a\ day\ keeps\ trouble\ away\!}A paper a day keeps trouble awa...
【GANs学习笔记】（二十）CoGAN、ComboGAN、XGAN
a312863063的博客
11-01 7949
3. 如何解决BIG TRANSFORMATION        我们前面提到的风格转换都是比较小幅度的风格转换，有的时候我们会需要做非常大的风格转换，譬如把真人照片转成动漫照片。大风格的转换我们容易想到的一个思路是auto-encoder：  &a
AdaGAN:adaptive GAN for many-to-many non-parallel voice converison
qq_41562704的博客
05-10 1811
文章目录简介Approachproblem formulationAdaIn网络框架转换方法训练和测试方法Loss函数Adversarial lossReconstruction LossContent Preseve LossStyle transfer Loss 论文地址：ADAGAN:ADAPTIVE GAN FOR MANY-TO-MANY NON-PARALLEL VOICE CONVERSION 简介 AdaGAN是用于多对多的非平行数据的语音转换。相比较之前用于VC的GAN模型StarGAN，
2019ins---Fast Learning for Non-Parallel Many-to-Many Voice Conversion with Residual Star-GAN
林宋的搬砖流水账
11-14 402
会议：2019interspeech 单位：阿里巴巴 ai lab abstract &embp; 对于non-parallel many-to-many vc的任务，本文提出一个基于residual Star-GAN的快速学习结构。基于最新的StarGAN-VC，它学习多说话人的声学特征之间的unreference mapping。 本文加一个residual mapping改进，称之为...
GAN汇总
简简单单
12-26 3242
3D-ED-GAN - Shape Inpainting using 3D Generative Adversarial Network and Recurrent Convolutional Networks 3D-GAN - Learning a Probabilistic Latent Space of Object Shapes via 3D Generative-Adversarial...
Towards Unsupervised Deep Image EnhancementWith Generative Adversarial Network借助生成对抗网络实现无监督的深度图像增强
learning5201的博客
04-28 3254
Abstract Improving the aesthetic quality of images is challenging and eager for the public. To address this problem, most existing algorithms are based on supervised learning methods to learn an automatic photo enhancer for paired data, which consis
【ECCV2020】接收论文列表part1
TomRen
07-18 7330
ECCV2020 接收论文完整列表 看论文学CV
2018 LNCS之GAN（image transfer）：Multimodal Unsupervised Image-to-Image Translation
makabaka的博客
06-09 505
Multimodal Unsupervised Image-to-Image Translation 开源：https://github.com/nvlabs/MUNIT 当前的问题及概述： 无监督图像到图像的转换目前CV中一个重要的问题，在没有pair的前提下，学习源域对应图像在目标域内的条件分布。现有的方法为确定性的一对一映射，因此，它们无法从给定的源域图像生成不同的输出。 为了解决这一限制，本文提出了一个多模态无监督图像到图像转换(MUNIT)框架。 图中(a)每个域Xi中的图像被编码到一个共享的内
2017 NIPS之GAN（image transfer）：Unsupervised Image-to-Image Translation Networks
makabaka的博客
06-11 937
Unsupervised Image-to-Image Translation Networks 开源：https://github.com/mingyuliutw/unit. 当前的问题及概述： 无监督图像-图像转换的目的是利用图像在单个区域的边缘分布来学习图像在不同区域的联合分布。由于存在无穷多的联合分布集合，可以得到给定的边际分布，如果没有额外的假设，就不能从边际分布中推断出联合分布。 本文提出了一个共享潜在空间的假设，并提出了一种基于coupled GANs的无监督图像-图像转换框架。 模型及los
风格迁移篇---U-GAT-IT：图像到图像翻译的无监督生成注意网络
m0_61985580的博客
08-16 2520
图像风格迁移
Multimodal Unsupervised Image-to-Image Translation 论文小结
Brassica_的菜园
04-25 5409
本文是自己阅读完Multimodal Unsupervised Image-to-Image Translation后写的小结。因为自己理解不够，所以我选择保留原文中的一些英文单词而不是去翻译。自己之前虽然做过一些风格转化的工作，但是一直感觉非常懵懂，里面的东西很多自己都不明白，毕竟自己没有太多的理论知识，也不清楚很多模型的具体作用和限制。这篇论文里面有挺多理论上的分析，以及对很多模型作用的阐述。对
深度学习【47】Unsupervised Image-to-Image Translation with Generative Adversarial Networks
DCD_LIN的博客
04-14 4151
我们之前介绍了pix2pix和pix2pixHD都是属于有监督的图片到图片的转换，也就是其训练数据集要求每一张待转换图片必须有一张目标转换图像相对应。今天我们来看看如何利用GAN做无监督的图像到图像的转换。既然是无监督的图像到图像转换，那么在训练数据集中肯定是没有成对的数据了。比如性别的转换，假设我有张奥巴马的图片，那么肯定不能找到一张女的奥巴马图片吧吧。所以这就叫无监督。还是以性别转换为例，我们还
论文笔记之：DualGAN: Unsupervised Dual Learning for Image-to-Image Translation
a1424262219的博客
06-12 718
DualGAN: Unsupervised Dual Learning for Image-to-Image Translation 2017-06-12 21:29:06 　　引言部分： 　　本文提出一种对偶学习模式的 GAN 网络结构来进行 image to image translation。现有的图像之间转换的方法，大部分都是需要图像对的方法，但是实际上...
Generative Adversarial Network (GAN) papers (2018.2.4 更新）
omnispace的博客
11-07 6785
AdversarialNetsPapersThe classic about Generative Adversarial NetworksThe First paper [Generative Adversarial Nets] [Paper][Code](the First paper of GAN)Unclassified [Deep Generative Image Models usin...
GAN在Image To Image translation 和Inverse Problem中的应用
omnispace的博客
09-02 1142
上次遗留的Generative adversarial network的应用篇。顺便说一句，矩阵分析老师是垃圾 原文地址：https://zhuanlan.zhihu.com/p/27987845
论文阅读记录 1-50篇 20190410-20200316
小树屋
04-19 2610
2019-4-10 High-resolution image synthesis and semantic manipulation with conditional gans CVPR 2018 层级结构 高分辨率图像生成 CFGAN的被引 2019-4-11 Learning compositional visual concepts with mutual consistency...
INSTAGAN论文笔记
liuqiang3的博客
01-09 2181
论文链接：https://arxiv.org/pdf/1812.10889.pdf ICLR 链接：https://openreview.net/forum?id=ryxwJhC9YX 文章介绍了一种利用实例分割标签和原图作为输入，在保证背景不变的前提下对实例进行转换的图像翻译方法。 主要内容： 1.网络结构：生成器网，鉴别器网络结构与cyclegan相似，将多个不同的实例分割标签图一起conc...
MARTA-GAN: 远程感测图像分类的无监督学习方法
"unsupervised-learning"（无监督学习）指出该技术的学习方式。"marta-gan"和"Python"分别表明了该技术的名称和实现语言。 "压缩包子文件的文件名称列表"中的"MARTA-GAN-master"表明，这是GitHub上的一个项目仓库的...
评论
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