专栏首页机器学习与生成对抗网络CVPR 2020 | 几篇GAN在low-level vision中的应用论文

CVPR 2020 | 几篇GAN在low-level vision中的应用论文

【图像分离、去雨/反射/阴影等】Deep Adversarial Decomposition: A Unified Framework for Separating Superimposed Images

将图像层从单个混合图像分开是一项重要但具有挑战性的任务。本文为图像分离提出统一的框架“deep adversarial decomposition 深度对抗分解”。方法在对抗训练下处理线性和非线性混合,可在多种计算机视觉任务(去雨,去反光/阴影)上达到最好的结果。

2 【图像恢复】Learning Invariant Representation for Unsupervised Image Restoration

本文提出一种无监督学习的图像恢复方法。通过解耦表征、对抗域适应从噪声数据得到不变表示,辅助有效的自监督约束,可以重建具有更好细节的高质量图像。

3 【去雾】Domain Adaptation for Image Dehazing

近年来,基于学习的方法进行图像去雾已取得最先进的性能。但大多数方法都在合成模糊图像上训练除雾模型,由于域偏移domain shift,这些模型很难推广到真实模糊图像。为此提出一种领域适应范式,由一个图像转换模块和两个图像去雾模块组成。具体来说,首先应用双向转换网络,通过将图像从一个域转换到另一个域,来弥合合成域和真实域间的鸿沟。然后,使用转换前后的图像来训练具有一致性约束的两个图像去雾网络。

4 【图像重建、恢复、超分】EventSR: From Asynchronous Events to Image Reconstruction, Restoration, and Super-Resolution via End-to-End Adversarial Learning

事件相机Event cameras比传统相机有许多优势,从事件流中重建intensity images时,输出却是低分辨率(LR)、带噪音且不够逼真的。为此提出一种新的端到端pipeline,可从事件流中重建LR图像,增强图像质量并对增强后的图像进行上采样,称为 EventSR。方法是无监督的、应用了对抗学习。有关实验视频https://youtu.be/OShS_MwHecs

5 【注意力机制、超分】Learning Texture Transformer Network for Image Super-Resolution

图像超分辨率(SR)是从低分辨率(LR)图像中恢复逼真的纹理;通过将高分辨率图像用作参考(Ref),可将相关纹理迁移到LR图像。但现有SR方法忽略了使用注意力机制从Ref图像迁移高分辨率(HR)纹理的情况,本文提出TT(Texture Transformer Network)SR,其中LR和Ref图像分别表示为转换器中的查询和关键字。TTSR由四个紧密相关的模块组成,这些模块针对图像生成任务进行了优化,包括DNN可学习的纹理提取器,相关性嵌入模块,用于纹理迁移的硬注意力模块和用于纹理合成的软注意力模块。这样的设计鼓励了跨LR和Ref图像的联合特征学习,其中可通过注意力发现深层特征对应关系,从而可以传递/迁移准确的纹理特征信息。

6 【自监督、超分】PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models

单图像超分辨率的主要目的是从相应的低分辨率(LR)输入构建高分辨率(HR)图像。在通常受到监督的先前方法中,训练目标通常测量超分辨(SR)和HR图像之间的像素方向平均距离。优化此类指标通常会导致模糊。本文提出一种新型超分辨率算法PULSE(通过潜在空间探索进行照片上采样),它以完全自监督的方式完成此任务。

7 【解耦表征、多模图像转换、超分、修复】Nested Scale-Editing for Conditional Image Synthesis

提出一种图像合成方法,可在潜在码空间中提供分层导航。对于微小局部或非常低分辨率的图像,方法在生成最接近GT的采样图像方面始终胜过最新技术。

更多分享:
附下载 | 《可解释的机器学习》中文版
附下载 |《TensorFlow 2.0 深度学习算法实战》
附下载 |《计算机视觉中的数学方法》分享

CVPR 2020 | 几篇GAN语义生成论文
CVPR 2020 | 10篇改进GAN的论文(网络、训练、正则等)
CVPR 2020 | GAN中的反射/光和阴影
CVPR 2020 | 几篇 image-to-image 论文速递CVPR 2020 | 人脸图像GAN(附多篇论文下载)2020年5月60篇GAN论文汇总
拆解组新的GAN:解耦表征MixNMatch

本文分享自微信公众号 - 机器学习与生成对抗网络(AI_bryant8),作者:bryant8

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:2020-06-16

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

  • StarGAN第2版:多域多样性图像生成

    ,该码由映射网络F或样式编码器E提供。其中,使用的是自适应实例归一化(AdaIN)将s注入G。s被设计为表示特定域y的样式,这消除了向G提供y的必要性,并使G可...

    公众号机器学习与生成对抗网络
  • 基础 | 如何通过DCGAN实现动漫人物图像的自动生成?

    基于生成对抗网络(GAN)的动漫人物生成近年来兴起的动漫产业新技术。传统的GAN模型利用反向传播算法,通过生成器和判别器动态对抗,得到一个目标生成模型。由于训练...

    公众号机器学习与生成对抗网络
  • 【1】GAN在医学图像上的生成,今如何?

    最初,GAN在被提出时,是一个无监督(无条件)的生成框架:例如在图像合成中,将随机噪声映射到逼真的目标图像。

    公众号机器学习与生成对抗网络
  • ECCV 2018 | 腾讯AI lab & 复旦大学合作提出无监督高分辨率的图像到图像转换方法SCAN

    作者:Minjun Li,Haozhi Huang,Lin Ma, Wei Liu, Tong Zhang, Yu-Gang Jiang

    机器之心
  • 干货 | 携程图像智能化建设之路

    携程技术
  • 图解自监督学习,人工智能蛋糕中最大的一块

    如果人工智能是一块蛋糕,那么蛋糕的大部分是自监督学习,蛋糕上的糖衣是监督学习,蛋糕上的樱桃是强化学习。

    石晓文
  • 木星切片剪影:JunoCam 图像处理

    WolframChina
  • 数字图像处理的基本原理和常用方法

      数字图像处理是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。图像处理最早出现于 20 世纪 50 年代,当时的电子计算机已经发展到一定水平,人们...

    bear_fish
  • 图像处理入门基础

    1、数字图像处理是指将图像信号转换成数字信号并利用计算机对其进行处理的过程,图像看成二维、三维或者更高维的信号。

    长风破浪
  • 图像处理,计算机视觉和人工智能之间的差异

    图像处理和计算机视觉是超级令人兴奋的研究和研究领域。随着人工智能的进步,这两个领域都在不断发展。

    材ccc

扫码关注云+社区

领取腾讯云代金券