CVPR 2020 | 几篇GAN语义生成论文

1【语义-真实图像转换、风格控制】SEAN: Image Synthesis with Semantic Region-Adaptive Normalization

提出语义区域自适应归一化（SEAN），它是条件生成对抗网络的简单但有效的构建块（条件是描述输出图像中的语义区域的分割mask）。基于SEAN，可以构建单独控制每个语义区域风格的网络结构，例如可为每个区域指定一个风格参考图像。代码：https：//github.com/ZPdesu/SEAN

2 【语义场景生成】Local Class-Specific and Global Image-Level Generative Adversarial Networks for Semantic-Guided Scene Generation

本文解决的是语义场景生成任务。在全局图像级别生成方法中，一个挑战是生成小物体和细致局部的纹理。为此这项工作考虑在局部上下文中学习场景生成，并相应地设计一个以语义图为指导、局部的特定类生成网络，该网络分别构建和学习专注于生成不同场景的子生成器，并能提供更多场景细节。为了学习更多的针对局部生成的、有辨识力的类特定表征，还提出了一种新颖的分类模块。为了结合全局图像级别和局部特定类生成的优势，设计了一个联合生成网络，其中集成了注意力融合模块和双判别器结构。https://github.com/Ha0Tang/LGGAN

3 【素描草图场景生成】SketchyCOCO: Image Generation from Freehand Scene Sketches

本文首次提出基于手绘素描的场景级别图像生成问题，并制作了一个称为 Sketchy COCO 的大规模合成数据集。

4 【基于物体布局生成】BachGAN: High-Resolution Image Synthesis from Salient Object Layout

提出了一项新图像生成任务：通过显著对象布局生成高质量图像。此新设置允许用户仅提供突出对象的布局（即前景边界框和类别），并允许模型填充背景和对应协调的前景来完成绘图。两个主要挑战：（i）如何在没有分割图输入的情况下生成细粒度和逼真的纹理细节；（ii）如何创建背景并将其无缝编织到对象。为此提出了背景幻觉生成对抗网络（Background Hallucination Generative Adversarial Network (BachGAN)。

5 【基于全景图生成】Panoptic-based Image Synthesis

提出一种全景感知图像合成网络，以生成以全景图（语义和实例信息统一起来）为条件的高保真度和真实感图像。

6 【基于场景graph的语义编辑】Semantic Image Manipulation Using Scene Graphs

图像处理实际上可视为图像生成的一种特殊情况，其中要生成的图像是对现有图像的修改。多数情况下，图像生成和处理一直是对原始像素进行操作的任务；但学习丰富的图像和对象表示形式方面的显著进步，为诸如文本到图像或布局到图像生成等主要由语义驱动的任务打开了道路。本文解决基于scene graphs的新问题，用户通过应用从图像生成的语义图的节点或边的更改就可以编辑图像。

7 【多模语义生成】Semantically Multi-modal Image Synthesis

本文专注于语义多模态图像合成（SMIS）任务，即生成多模态语义级别的图像。https://github.com/Seanseattle/SMIS

更多分享：
《基于深度学习的表面缺陷检测方法综述》
《零样本图像分类综述: 十年进展》
《基于深度神经网络的少样本学习综述》

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 | GAN论文整理 
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