1.IntroductionGANs在最近两年得到了广泛的应用，本文研究的技术很多人就已经提到过，尽管如此，之前的论文都是关注特定的应用，而cGANs作为图像转换的问题的通用方法的有效性仍然是不清楚的，我们的主要贡献在于阐释了cGANs在很多问题上都能产生合理的结果，第二个贡献在于提出来一个简单有效的框架，并分析了几种结构的选择结果2.Relatedwork2.1图像建模的结构化损失Image-t

文章目录论文背景介绍BackgroundIntroduction相关工作RelatedWork图像模型的结构化损失——Structuredlossesforimagemodeling条件对抗生成网络——ConditionalGANs方法Method指标Objective网络架构NetworkArchitecture生成器——跳跃式生成器（Generatorwithskip）判别器——马尔可夫判别器

条件生成网络实现图对图翻译原论文标题：Image-to-ImageTranslationwithConditionalAdversarialNetworksIsolaP,ZhuJY,ZhouT,etal.Image-to-imagetranslationwithconditionaladversarialnetworks[C].IEEEConferenceonComputerVisionandPa

1.论文相关CVPR2018image.png2.摘要2.1摘要最近的研究表明，在图像到图像的两个领域的翻译取得了显著的成功。然而，现有的方法在处理两个以上的域时具有有限的可伸缩性和健壮性，因为每对图像域都应该独立地构建不同的模型。为了解决这一局限性，我们提出了StarGAN，一种新的、可扩展的方法，它可以仅使用一个模型对多个域执行图像到图像的转换。StarGAN的这种统一模型体系结构允许在单个网

1、任务1)image-to-imagetranslation2)commonframework，适用于各种场景2、网络(image)conditionalGANs(cGANs)：imagex+randomnoisevectorz->y1)Generator基于U-Net的结构2)Discriminator卷积"PatchGAN"分类器，输入包括Generator的输入关注以NxN的patch为单

https://arxiv.org/pdf/1703.00848.pdfKindoflikeCycleGANNoveltyUnsuperviseTwodomainsharethesamelatentspaceProblemOnlytwodomainsatatime,needtotrainnewmodelfornewdomainStructureStructureLossLossDatasetStr

https://github.com/eladrich/pixel2style2pixel通用的图像翻译框架pixel2stylepixel，第一个pixel是指输入图像，style是指latentcode，第二个pixel是指输出图像，即将输入图像先转成latentcode，再将这个latentcode生成目标图像：以一个encoder产生一系列style特征，然后以一个预训练的StyleGAN

文章首发于jwxie.cnEncodinginStyle:aStyleGANEncoderforImage-to-ImageTranslationPDFLinkGithubCodeSection1介绍近些日子，GAN在图像生成领域（尤其是人脸图像）取得了较大的进展。比如说StyleGAN就通过MLP实现了一个从离散的潜空间到人脸图像的可控、可编辑的人脸生成器。近些日子也又不少人尝试去进一步的探索了

本期推荐的Image-To-Image项目包括四个子项目——edges2cats：猫咪生成器、facades：建筑物生成器、ed

论文信息论文标题：MultimodalUnsupervisedImage-to-ImageTranslation论文出处：ECCV2018论文作者：XunHuang,Ming-YuLiu,SergeJ.Belongie,JanKautz研究机构：康奈尔大学；英伟达代码链接：https://github.com/nvlabs/MUNIT引用信息：@inproceedings{DBLP:conf/ec

记录以备用，此刻在听邓紫棋的《倒数》摘要：图像到图像的翻译主要学习两个视觉域之间的映射关系。主要有两个挑战：1）缺少对齐的成对的训练数据2）和对于一个输入图片的多种可能输出。这篇文章中，提出了基于解开表示disentangledrepresentation的，在没有成对训练数据情况下，产生多样的输出。为了实现多样性，将图片分解为两个空间：一个域不变的内容空间来捕捉不同域之间的共享信息，和属性空间的

摘要最近的研究表明了两个领域内图像到图像转换取得了显著的成功。然而，现有的方法处理两个以上的领域时在可伸缩性和鲁棒性上有局限，因为每对图像域都要构建不同的模型。为了解决这个局限，我们推出starGAN，一种新颖的、可扩展的方法，它可以仅使用一个模型对多个域执行图像到图像的转换。StarGAN的这种统一模型架构可以仅在一个网络中国训练多个数据集的多个领域。这使starGAN与现有模型相比，转换图片的

论文地址starGAN顾名思义就是星型GAN结构，其解决的主要问题为multi-domain的image-to-image转换。

在starGAN之前，也有很多GAN模型可以用于image-to-image，比如pix2pix（训练需要成对的图像输入），UNIT（本质上是coGAN），cycleGAN（单域迁移）和DiscoGAN

背景：ICCV2017的spotlight论文cycleGAN在图像域迁移任务之中，不需要源域和目标域成对的样本对，只需要源域和目标域的图像即可。非常实用的地方就是输入的两张图片可以是任意的两张图片，也就是unpaired。对于我们项目很有作用。目的：详解CycleGAN论文。论文地址：https://arxiv.org/abs/1703.10593目录一、效果概览二、传统GAN1.1传统GAN原

StarGAN:UnifiedGenerativeAdversarialNetworksforMulti-DomainImage-to-ImageTranslation简述：现有的方法在两个以上的领域中具有有限的可扩展性和鲁棒性，因为不同的模型应该为每一对图像域独立地建立。为了解决这一限制，本文提出了StarGAN，可以仅使用一个模型在多个域中执行图像到图像的转换。stargan的这种统一的模型体

这篇文章基于CycleGAN的工作。虽然也是做图像域的转换，并且在转换时，只关注图像中的前景，达到前景转换而背景不变的效果摘要当前的无监督图像域转换，努力把转换重点放在图像中的一个物体或者多个物体，同时保证背景不变。启发于人自己的注意力机制，这篇文章提出了无监督的关注机制，结合生成器和辨别器的对抗机制。网络架构Data-flowdiagram作者定义了两个AttentionnetworkAs:S-

Image-to-ImageTranslationwithConditionalAdversarialNetworks论文翻译摘要1.介绍2.相关工作3.方法3.1评估3.2网络结构3.2.1Generatorwithskips3.2.2Markoviandiscriminator(PatchGAN)3.3优化和推理4.实验4.1评估指标4.2目标函数分析4.3生成器结构分析4.3从PixelGA

《Image-to-ImageTranslationwithConditionalAdversarialNetworks》论文总结图1图像到图像的转换目前对于图像到图像间的转换问题（如图1所示）有多种实现方法，例如CNN、其他GAN框架等方法均可实现。但是这些传统实现方法均存在一个问题：对于每一种类型的图像到图像间的转换，都需要一个特定的实现框架，需要设定专门的损失函数。针对这个问题，本论文提出了

基于条件对抗网络的图像间转换PhillipIsolaJun-YanZhuTinghuiZhouAlexeiA.EfrosBerkeleyAIResearch(BAIR)Laboratory,UCBerkeley{fisola,junyanz,tinghuiz,efrosg}@eecs.berkeley.edu图1：图像处理，图形和视觉中的许多问题涉及将输入图像转换成相应的输出图像。这些问题通常使用

KuoMingLin分享了LearningByHacking的动图最近討論最火熱的project之一，來自NVIDIA開源的pix2pixHD，將Image-to-ImageTranslation帶到了另一個境界，如影片中所示，只要提供HighResolution的SemanticAnnotation，就能夠生成細節豐富且逼真的高清真實圖片(2048x1024)，還能自由變換物體以及場景的型態（例

Pix2Pix：Image-to-ImageTranslationwithConditionalAdversarialNetworksRelatedwork图像建模的结构化损失ConditionalGANs对抗框架CGANGANCGAN损失函数网络结构生成器网络结构判别器网络结构实验结果总结代码实现论文地址数据集下载地址图像到图像翻译（image-to-imagetranslation）是GAN很

一.简介1.1研究的主要内容本文主要研究CGANS（条件对生成抗网络）作为图像到图像转换问题的通用解决方案，提出了pix2pix软件，并且证明了该方法可有效地从标签图合成照片，从边缘图重建对象以及为图像着色等任务。这个图片是展示了一些图像到图像转换的结果1.2创新点1.证明在各种问题上，conditionalGAN都能产生合理的结果。2.提出一个足以取得良好结果的简单框架，并分析几种重要架构选择的

基于条件对抗网络的图像转换源论文标题：Image-to-ImageTranslationwithConditionalAdversarialNetworks源论文链接：https://phillipi.github.io/pix2pix/【摘要】我们调研了使用条件对抗网络，做为图像到图像转换的通用解决方案。这个网络不仅学习到图像到图像的映射，还学习了一个损失函数来训练这个映射。这使得之前那些需要不

使用条件对抗网络进行image-to-image的转换最小化predicted和groundtruth的欧几里得距离（实际距离）会使结果模糊我们需要一个loss学习到high-levelgoal，like

目的：CVPR2017论文pix2pix，在image2image的任务之中具有很好的效果。我们需要详细解析此论文，搞懂其中的原理。项目地址：https://phillipi.github.io/pix2pix/论文地址：https://arxiv.org/abs/1611.07004目录一、概览及基础1.1效果概览1.2传统GAN原理1.3GAN分类二、方法2.1conditionalGAN(c

UnpairedImage-to-ImageTranslationusingCycle-ConsistentAdversarialNetwork使用循环一致的对抗网络进行非配对的图片-图片迁移
from伯克利人工智能实验室ICCV2017

代码


原文


ProjectPage

#Abstract


图像-图像转换是计算机视觉和图形学的一类常见人物，需要学习输入图像与输出图像的映射关系，

MultimodalUnsupervisedImage-to-ImageTranslation开源：https://github.com/nvlabs/MUNIT当前的问题及概述：无监督图像到图像的转换目前CV中一个重要的问题，在没有pair的前提下，学习源域对应图像在目标域内的条件分布。现有的方法为确定性的一对一映射，因此，它们无法从给定的源域图像生成不同的输出。为了解决这一限制，本文提出了一个

UnsupervisedImage-to-ImageTranslationNetworks开源：https://github.com/mingyuliutw/unit.当前的问题及概述：无监督图像-图像转换的目的是利用图像在单个区域的边缘分布来学习图像在不同区域的联合分布。由于存在无穷多的联合分布集合，可以得到给定的边际分布，如果没有额外的假设，就不能从边际分布中推断出联合分布。本文提出了一个共享

目录相关链接方法亮点相关工作方法细节实验结果总结与收获参考文献相关链接：论文：https://arxiv.org/abs/1808.00948代码：https://github.com/HsinYingLee/DRIT方法亮点：提出一个内容判别器，用于判断编码器生成的图片内容性质是否一样的。相关工作：文章的提出主要是解决了unpaired-data的图像翻译问题。目前大多数的解决方法都是基于Cyc

端到端解决两个问题：1）holistic（整体的）imagetrainingandprediction;2）multi-scaleandmulti-levelfeaturelearning;特点：端到端：image-to-image

论文题目：TowardsInstance-levelImage-to-ImageTranslation（CVPR2019）项目地址：http://zhiqiangshen.com/projects/INIT/index.html论文背景：通过t-sne可视化，同一种颜色表示同一个域的全局style和实例style，可以看到即使是同一个域的图片，全局的style和实例的style仍具有差异，因此像M

INSTAGAN:INSTANCE-AWAREIMAGE-TO-IMAGETRANSLATION2019ICLRAbstract:当前的方法无法解决多目标或者转化尺度太大，为了解决这个问题，本文提出实力感知分割和改善多实例目标。该方法既转换了图像，又转换了相应的实例属性集，同时保持了实例的排列不变性。通过引入了一种上下文保持损失，使网络在目标实例之外学习身份函数。还提出了一种顺序小批量推理/训练技

简介：无监督图像迁移网络是计算机视觉领域的一个技术难题，即给定一张源域图像，如何在没有其他图像样本的情况下，学习相应目标域图像的条件分布。当处理多维条件分布时，现有的方法是在过度简化的假设条件下，通过绘制源域图像和确定的、一对一的目标图像来进行建模。然而，上述方法无法用来生成给定源域图像的多种多样的目标图像。因此，本文提出了一种多维无监督图像迁移网络框架。本文中假定代表图像可以被分解成域不变的内容

CycleGAN、pix2pix、iGAN的主要贡献者最近在NIPS2017上又推出了一篇文章TowardMultimodalImage-to-ImageTranslation（见https://junyanz.github.io/BicycleGAN/，https://arxiv.org/pdf/1711.11586.pdf），讨论如何从一张图像同时转换为多张风格不一成对的图像。从作者摘要第一句

TowardMultimodalImage-to-ImageTranslation论文亮点摘要介绍相关工作生成模型条件图像生成确定编码的多模态多模态的图像到图像转换Baseline:pix2pix+noise(z→B^)(\mathbf{z}\rightarrow\widehat{\mathbf{B}})(z→B)ConditionalVariationalAutoencoderGAN:cVAE−

Y-Autoencoders:disentanglinglatentrepresentationsviasequential-encoding》，其主要创新在于使用Autoencoders进行图像翻译也即是（image-to-image

Holistically-nestedEdgeDetection（以下简称HED）HED通过深度学习网络实现边缘检测，网络主要有以下两个特点Holistically：指端到端（end-to-end或者image-to-image

贡献：为one-to-one的unpairedimagetranslation的生成图像提供多样性提出假设：1、图像可以分解为stylecode与contentcode；2、不同领域的图像，共享一个contentspace，但是属于不同的stylespace；stylecodecapturesdomain-specificproperties,andcontentcodeisdomain-inva

我们之前介绍了pix2pix和pix2pixHD都是属于有监督的图片到图片的转换，也就是其训练数据集要求每一张待转换图片必须有一张目标转换图像相对应。今天我们来看看如何利用GAN做无监督的图像到图像的转换。既然是无监督的图像到图像转换，那么在训练数据集中肯定是没有成对的数据了。比如性别的转换，假设我有张奥巴马的图片，那么肯定不能找到一张女的奥巴马图片吧吧。所以这就叫无监督。还是以性别转换为例，我们

MultimodalUNsupervisedImage-to-imageTranslation是ECCV2018的一篇工作，是UNIT思路的一个延续。之前的UNIT实现的是两个domain之间的一个转换，MUNIT更进一步可以实现多个domain之间的转换，下面就来展开介绍这篇论文的细节。计算机视觉中的很多问题的目标可以理解成是将一个domain中的图像转换到另一个domain，例如超分辨率（su

3DisentangledRepresentationforI2ITranslationtwovisualdomains：X∈RH×W×3\mathcal{X}\in\mathbb{R}^{H\timesW\times3}X∈RH×W×3，Y∈RH×W×3\mathcal{Y}\in\mathbb{R}^{H\timesW\times3}Y∈RH×W×3unpairedsamples：x∈Xx\i

来源于https://blog.csdn.net/summer2day/article/details/79369064摘要：图像到图像转换是一类计算机视觉问题，其目标是建立输入输出图片之间的映射关系。然而，对于很多任务而言，没有配对训练数据可。我们提出了一种在没有配对的情况下，从X到目标域Y进行图像转换的方式。我们的目标是实现G:X→Y，其中G(X)的图像分布与使用对抗性损失分布的Y难以区分。因

Opensource,official,tf,star-240.关键字  Image-to-Image，注意力机制，CycleGAN，无监督，深度学习，机器学习正文1.动机  针对目前的image-to-image

Opensource,official,tf,star-10.关键字  Image-to-Image，VAE，GAN，UNIT，AdaIN，无监督学习，机器学习正文1.动机  在无监督的Image-t

https://arxiv.org/pdf/1711.05139.pdfNoveltyUnsuperviseTwodomainsharethesamelatentspacepredictclassatencoderProblemOnlytwodomainsatatime,needtotrainnewmodelfornewdomainStructureStructure.pngLossLoss.pn

本文和上一篇show,Attend一样，都是基于attention机制的图像转换。两篇文章的工作大体是相似的，但是这篇文章的代码开源了。这篇文章和上篇文章一样都是做图像域转换，并且在转换时都想要只关注图像中的前景，达到前景转换而背景不变的效果。在上一篇blog中已经介绍过了图像域转换，所以这里就直接开始讲作者提出的模型了。ModelFs->t表示从S域到T域的转换。作者定义了两个Attention

ZstGAN:AnAdversarialApproachforUnsupervisedZero-ShotImage-to-ImageTranslationAbstractIntroductionMethodsProblemFormulationArchitecture(1)Domain-specificfeatureswithsemanticconsistency(2)Domain-invaria

论文地址：https://arxiv.org/pdf/1907.08719.pdf项目地址：https://github.com/LCAD-UFES/publications-arruda-ijcnn-2019摘要深度学习技术已经使出现先进的模型去解决目标检测任务。然而，这些技术在数据驱动，处理精度需要训练数据，类似图像在目标任务。这个需要在数据集上涉及标注图像，艰难和高昂的处理，通常需要时间和人

论文地址：https://arxiv.org/pdf/1907.08719.pdf项目地址：https://github.com/LCAD-UFES/publications-arruda-ijcnn-2019摘要深度学习技术已经使出现先进的模型去解决目标检测任务。然而，这些技术在数据驱动，处理精度需要训练数据，类似图像在目标任务。这个需要在数据集上涉及标注图像，艰难和高昂的处理，通常需要时间和人