【今日CS 視覺論文速覽】Part2, 16 Jan 2019

上接第一部分

Interesting:

• 基于雙生成器的多域圖像遷移的 G 2 G A N G^2GAN G2GAN，雖然GAN可以使用不配對的資料将圖像從一個域遷移到另一個域，但對于每一種遷移都需要訓練對應的模型。這篇文章提出了在單個模型中使用兩個生成器的方法可以實作多個域之間的風格遷移,此外還能提升生成圖像的品質。（from 特倫托大學意大利 牛津 洛桑理工 德州大學）

  與先前工作不同的是， G 2 G A N G^2GAN G2GAN使用了獨立的遷移Gan和重建Gan來進行訓練。

  

  一些結果

  

  ref：CycleGAN, Domain Transfer Network ComboGAN StarGAN

  相關資料集：

  

• AET，基于自編碼器來學習出輸入圖像之間的（投影/反射等）變換，這主要是基于自編碼器可以有效的編碼原始圖像和變換後圖像的結構資訊，這些資訊可以有效地預測出兩張圖像間的變換。（from 中弗羅裡達大學）

  

  網絡的模型結果如下，上半部分是訓練、下半部是評測：

  

  一些相關工作：

  Supervised NIN (Lower Bound) ， Random Init. + conv (Upper Bound) ， Roto-Scat + SVM [21] ，ExamplarCNN [7] ， DCGAN [25]， Scattering [20] RotNet + FC [10] ， RotNet + conv [10] 。

• XNet,通過引入互相交叉的隐空間變量分支及其交叉轉換器，使得研究人員可以實作對于圖像遷移的隐空間正則化限制，進而克服非配對資料圖像風格遷移（翻譯）中存在的非限制問題。（特拉維夫大學 以色列）

  

  結果可有效應用于弱監督水印去除、逆半色調問題（Inverse Halftoning），反射到啞光問題、手機到單反的遷移問題等。一些結果如下：

  

  

  

  相關資料集：

  手機到單反的資料集，code:https://github.com/aiff22/DPED,

  [反射到啞光合成渲染資料集]:paper, lab, code&data

  水印資料自己合成，Halftoning資料基于 Floyd-Steinberg algorithm合成

pic from pexels.com