1.《Semantic Image Analogy with a Conditional Single-Image GAN》–ACM MM2020


提出了一个新任务:semantic image analogy. 即给定一个图像image 和 其对应mask, 以及一个target mask, 将原始image 参考 source mask 到 target mask 的变换,转为target image。
具体流程为:首先计算source mask 和 target mask的变换参数,然后通过SFT模块转为image domain,作为condition 送入生成器。
训练过程中变换和重构任务交替进行。loss 主要包括patch coherence loss semantic alignment loss(通过额外训练一个分割网络得到生成转换后图像的mask, 与tartget mask 计算损失,构成cycle闭环)和 gan loss, feature matching loss.

2. 《Lab2Pix: Label-Adaptive Generative Adversarial Network for Unsupervised Image Synthesis》 – ACM MM 2020


以sketch/semantic label maps 作为condition, 通过label Encoder 将其和噪声混合作为生成器输入。采用多尺度生成和判别策略,判别器也用了segmentation网络构成cycle segmentation loss。

3. 《Describe What to Change: A Text-guided Unsupervised Image-to-Image Translation Approach》 --ACM MM2020


通过解析text得到改变的attributes, 然后通过MLP获得AdaIN参数用于生成器的生成新图片。

4. 《MaskGAN: Towards Diverse and Interactive Facial Image Manipulation》


提出了新的训练策略,通过VAE和alpha blender模仿在实际使用过程中对人像的编辑过程,提升网络的泛化能力。

通过Spatial aware style encoder 学习从image 到 mask的变换,转为AdaIN Parameters, 送入到Image Generatation Backbone, 将新的mask 转换为新的image。

5. 《PSGAN: Pose and Expression Robust Spatial-Aware GAN for Customizable Makeup Transfer》


通过MDNet 解析参考图像的makeup, 通过AMM模块进行参考图像和原图像makeup的融合,包括利用二者人脸的landmarks, 距离关系和嘴唇,皮肤等类别关系,后将融合特征返回给MANet的Decoder 生成带有新makeup的image。

6. 《Image-to-image Translation via Hierarchical Style Disentanglement》 --cvpr2021

创新点:

  1. 解耦的层级标签思想,使图片转换更加可控
  2. Non-translation, self-translation, cycle-translation 的训练方式

Image translation相关推荐

  1. 基于TensorRT优化的Machine Translation

    基于TensorRT优化的Machine Translation 机器翻译系统用于将文本从一种语言翻译成另一种语言.递归神经网络(RNN)是机器翻译中最流行的深度学习解决方案之一. TensorRT机 ...

  2. Toward Multimodal Image-to-Image Translation(BicycleGAN)图像一对多转换测试

    我们通过精简CycleGAN来实现,以两个域为例,原始CycleGAN需要2个Generator和2个Discriminator,我们不难发现,可以把域转换称condition,这样只需要一个Gene ...

  3. DayDayUp:大学英语六级考试简介、应试分析、题型内容((Writing/Listening/Reading/Translation)、解答经验步骤、解题技巧之最强攻略(建议收藏)

    DayDayUp:大学英语六级考试简介.应试分析.题型内容((Writing/Listening/Reading/Translation).解答经验步骤.解题技巧之最强攻略(建议收藏) 简介:大学英语 ...

  4. [mmu/cache]-MMU的地址翻译(Address translation)指令介绍

    ★★★ 个人博客导读首页-点击此处 ★★★ Address translation system instructions AT指令的语法格式: 有了上面的语法格式后,就非常好理解armv8的MMU提 ...

  5. arm el2与el3_armv8 memory translation

    AArch32,arm的32bit架构: AArch64,arm的64bit架构: ARMv8.2-LPA,是armv8.2中的新feature,扩大了IPA和PA的支持范围,从48bit扩展到52b ...

  6. 平移不变性:Translation Invariance 与 平移同变性:Translation equivariance

    在欧几里得几何中,平移是一种几何变换,表示把一幅图像或一个空间中的每一个点在相同方向移动相同距离.比如对图像分类任务来说,图像中的目标不管被移动到图片的哪个位置,得到的结果(标签)应该是相同的,这就是 ...

  7. 深度学习中不变性是什么?平移不变性Translation Invariance、旋转/视角不变性Ratation/Viewpoint Invariance、尺度不变性Size、Illumination

    文章目录 不变性定义 不变性分类 为什么卷积神经网络具有平移不变性 不变性定义 意味着即使目标的外观发生了某种变化,但是你依然可以把它识别出来.这对图像分类来说是一种很好的特性,因为我们希望图像中目标 ...

  8. Idea中内置Translation插件报“翻译错误”,解决方式!!!

    问题 我的编程软件一直是Idea,Idea是我心中YYDS. 使用的版本是2020.4,最近在使用idea内置的Translation翻译插件的时候,一直报翻译失败的错误.一开始以为是我的网络问题,从 ...

  9. ACL 2016 | Modeling Coverage for Neural Machine Translation

    ACL 2016 | Modeling Coverage for Neural Machine Translation 原创2016-08-03小S程序媛的日常程序媛的日常 今天的 ACL 2016 ...

  10. Translation

    代码中经常遇到不认识的英文单词或者句子,很蒙蔽怎么办? Translation是一款非常好用的翻译插件,可以随时随地翻译单词.甚至一段话,从此不再需要额外打开浏览器搜索翻译网站了!

最新文章

  1. 项目经理问:为什么总是只有我在加班 – 挂包袱现象
  2. 【Kotlin】Lambda 表达式 ( 简介 | 表达式语法 | 表达式类型 | 表达式返回值 | 调用方式 | 完整示例 )
  3. 多目标优化算法(二)MOEAD及MOEAD与NSGA-Ⅱ的对比
  4. 空调自控系统基础知识及应用
  5. css 边框设置成不透明,css中如何设置半透明边框?
  6. web服务器-nginx
  7. MVVM模式的3种command总结[2]--RelayCommand
  8. [探索][管理]《现在,发现你的优势》
  9. 诗与远方:无题(四)
  10. 关于健康吗、核算检测等系统高并发问题的一些思考
  11. Java 蓝桥杯 数列特征
  12. Linux shell - 按时间和文件大小排序显示文件(ll)
  13. linux系统支持ntfs吗,linux支持NTFS
  14. 剑指offer面试题29. 顺时针打印矩阵(边界问题)
  15. sql语句回忆录1-多表连接子查询
  16. monkey命令总结
  17. java实现lda模型_lda模型 java
  18. 杭电1069 Monkey and Banana
  19. pip下载包报错ERROR: Could not find a version that satisfies the requirement xxxx==1.0.2 (from versions
  20. 免费的静态网页托管_如何使用自动管道免费托管静态站点

热门文章

  1. SAP外协采购单和销售单需求关闭预留未清处理方法
  2. html下拉框动态增加成员,JavaScript实现左右下拉框动态增删示例
  3. 我的2012,一个2b青年的表白
  4. python微信好友分析_基于python实现微信好友数据分析(简单)
  5. 阿里,网易游戏,腾讯,smartx的offer面试分享
  6. 谈谈对zynq的浅显理解
  7. 2018年已过半,Kubernetes和云原生的巨浪要把云计算带向何处
  8. 我们公司放弃了微服务,重回单体架构
  9. 【Luat-air105】8.2 fatfs及照片存储
  10. 如何使用swing创建一个BeatBox