专栏首页CVer[计算机视觉论文速递] 2018-07-10 CVPR GAN专场1

[计算机视觉论文速递] 2018-07-10 CVPR GAN专场1

导言

这篇文章有 2篇论文速递,都是生成对抗网络GAN方向(CVPR 2018),一篇解决为前景目标找到逼真的几何校正的问题,使得它在合成到背景图像中时看起来很自然,另一篇是预测人体运动行为。注意,两篇都是CVPR 2018文章。

编辑: Amusi

校稿: Amusi

时间: 2018-07-10

前戏

Amusi 将日常整理的论文都会同步发布到 daily-paper-computer-vision 上。名字有点露骨,还请见谅。喜欢的童鞋,欢迎star、fork和pull。

直接点击“阅读全文”即可访问daily-paper-computer-vision

link: https://github.com/amusi/daily-paper-computer-vision

生成对抗网络(GAN)

《ST-GAN: Spatial Transformer Generative Adversarial Networks for Image Compositing》

CVPR 2018

Background

Qualitative evaluation on the indoor rendering test set

Abstract:我们解决了为前景目标找到逼真的几何校正的问题,使得它在合成到背景图像中时看起来很自然。为实现这一目标,我们提出了一种新颖的生成对抗网络(GAN)架构,该架构利用空间变换器网络(STN)作为生成器,我们将其称为空间变换器GAN(ST-GAN)。 ST-GAN通过在几何扭曲参数空间中操作来寻求图像真实感。特别地,我们利用迭代STN变形方案并提出顺序训练策略(sequential training strategy),与单个生成器的简单训练相比,该策略实现更好的结果。 ST-GAN的关键优势之一是其间接适用于高分辨率图像,因为预测的扭曲参数可在参考帧之间转移。我们在两个应用中展示了我们的方法:(1)可视化室内家具(例如来自产品图像)在房间中的感知方式,(2)与真实肖像相匹配时,幻觉眼镜等附件的外观。

arXiv:https://arxiv.org/abs/1803.01837

code:https://chenhsuanlin.bitbucket.io/spatial-transformer-GAN/

《Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks》

CVPR 2018

System overview

Examples of diverse predictions from our model

Abstract:了解人体运动行为对于自动移动平台(如自动驾驶汽车和社交机器人)来说至关重要,如果他们要驾驭以人为中心的环境。 这具有挑战性,因为人体运动本质上是多模态的:考虑到人类运动路径的历史,人们可以在未来采取许多社会合理的方式。我们通过组合序列预测和生成对抗网络的工具来解决这个问题:循环序列到序列模型观察运动历史并预测未来行为,使用新的汇集机制来汇总人们的信息。我们通过对抗 recurrent 的鉴别器来对抗,从而预测社会可信的未来,并通过新的多样性损失鼓励多样化的预测。通过对几个数据集的实验,我们证明了我们的方法在准确性,多样性,碰撞避免和计算复杂性方面优于先前的工作。

arXiv:https://arxiv.org/abs/1803.10892

注:李飞飞团队大作

本文分享自微信公众号 - CVer(CVerNews)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2018-07-10

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • [计算机视觉论文速递] 2018-07-05 GAN专场

    这篇文章有4篇论文速递,都是GAN方向,包括根据文本生成图像和多域图像生成等方向。其中一篇是IJCAI 2018。

    Amusi
  • YOLACT++:更强的实时实例分割网络,可达33.5 FPS/34.1mAP!

    近期推出的实例分割(Instance Segmentation)论文很多,有时间 Amusi 出一期:一文看尽实例分割系列。同时值得关注的实例分割论文也很多,比...

    Amusi
  • 加州大学提出:实时实例分割算法YOLACT,可达33 FPS/30mAP!现已开源!

    本文要介绍一篇很棒的实时实例分割论文:YOLACT,该论文是由 加利福尼亚大学 提出。截止2019年4月16日,据Amusi所了解,上述MS R-CNN应该是实...

    Amusi
  • ​GAN的五大有趣应用

    “GAN”这个词是由Ian Goodfellow在2014年提出的,但相关概念早在1990年就存在了(Jürgen Schmidhuber开创),在Goodfe...

    磐创AI
  • 【学术】新的神经网络即将问世,它看起来很恐怖

    ? 这一切是怎么开始的? 生成式对抗网络进展 将典型的和经过良好研究的神经网络(如图像分类器)看作是神经网络技术的大脑左半球。考虑到这一点,很容易理解什么是生...

    AiTechYun
  • 综述推荐 | CV视觉中GAN的调研和分类

    SGAN是在半监督学习的背景下提出的,与监督学习(其中每个样本都需要一个标签)和非监督学习(其中不提供标签)不同,半监督学习具有一小部分示例的标签。与FCGAN...

    公众号机器学习与生成对抗网络
  • GAN系列学习(1)——前生今世

    作者:刘威威 编辑:李文臣 1 1.GAN的 ‘前世’? 大家都知道GAN是Ian Goodfellow 2 014年放出的一篇开山之作,在深度学习界评价很高,...

    机器学习算法工程师
  • 以合成假脸、假画闻名的GAN很成熟了?那这些问题呢?| 技术头条

    【导语】过去两年,生成对抗网络(GAN)取得了飞速、充分的发展,尤其是应用于图像合成技术的模型,快到几乎让人跟不上,每隔一段时间,我们肯能就能看到应用在不同任务...

    AI科技大本营
  • 新手指南综述 | GAN模型太多,不知道选哪儿个?

    今天看到这么一个论文题目“A Novel Framework for Selection of GANs for an Application ”,这名字有、6...

    公众号机器学习与生成对抗网络
  • GAN原理,优缺点、应用总结

    版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/qq_25737169/article/d...

    DoubleV

扫码关注云+社区

领取腾讯云代金券