Image-to-Image

车辆检测使用无监督图像风格转化从白天到夜晚 Cross-Domain Car Detection Using Unsupervised Image-to-Image Translation: From

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
独孤九剑-风清扬·2019-07-27 23:53

一个关于DeepNude使用的图像生成和图像修复相关技术项目

DeepNude软件主要使用了Image-to-Image技术，该技术理论上可以把你输入的图片转换成任何你想要的图片。
githubshare·2019-07-12 11:20

论文阅读与机制理解pix2pix: Image-to-Image Translation withConditional Aversarial Networks

L2和L1损失，用来减少生成图像和目标图像像素之间的距离，这会导致图像模糊（实验结果就表明L1生成的图像像素值处于中间水平），因为这样的损失函数通过对所有可能的输出像素值的平均来减少像素之间的距离。从数学上来说，在-1到1范围内，L1损失是比L2损失要偏大的，那么L1的平均效果应该比L2的要大，也就可以推测L1会比L2更加模糊，但这与他们的结果相反，不知我错在何处？L1和L2损失可以用来将生成图像
月下花弄影·2019-07-10 17:09

Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks论文笔记

首先说一下：CycleGAN,DualGAN,DiscoGAN这三篇论文也太像了叭！！！只不过是生成器和鉴别器的架构有点不同而已，网络模型可以说是一毛一样了。。。难道这么相似都可以发论文吗？？？突然对我要发的论文有点信心了，嘿嘿嘿嘿。一．问题提出图像翻译问题是将一个物体的图像表征转换为该物体的另一种图像表征问题，例如草图到真实图的转化、白天到黑夜的转换以及图像风格渲染等。以往的图像翻译模型是基于成
Coding_Ann·2019-05-27 12:36

Image-to-Image papers

Image-to-ImagepapersAcollectionofimage-to-imagepapers.PapersareorderedinarXivfirstversionsubmittingtime(ifapplicable).FeelfreetosendaPRorissue.TOCSupervisedUnsupervisedUnsupervised-GeneralUnsupervised
Forlogen·2019-05-10 17:09

Multimodal Unsupervised Image-to-Image Translation论文翻译以及解读

MultimodalUnsupervisedImage-to-ImageTranslation论文翻译以及解读论文信息论文题目：MultimodalUnsupervisedImage-to-ImageTranslation中文题目：多模态无监督图像转换来源：ECCV2018论文地址1：https://paperswithcode.com/paper/multimodal-unsupervised-
anjushi_·2019-04-24 15:41

Image-to-Image Translation with Conditional Adversarial Networks

Image-to-ImageTranslationwithConditionalAdversarialNetworks论文主要内容：1.提出了一种对于gan的理解对于很多任务，我们都需要自己设计目标函数，来使得网络达到我们想要的任务和目的。而gan网络的出现，使得我们无需再手工设计我们的目标函数，而是利用gan网络来通过数据来“自动生成”我们想要的损失目标。文中提到，对于cnn网络，能够应用在分类
Longlongaaago·2018-12-13 12:43

UNsupervised Image-to-image Translation

接下来的博客将陆续介绍三篇图像转换相关的工作。以往看过CycleGAN和StarGAN这样的工作，但这三篇工作给出了一个新的思路，很有启发意义。本文先介绍第一篇工作UNIT。UNITUNIT（UNsupervisedImage-to-imageTranslation）发表于NIPS2017。UNIT提出了一个称为共享的潜在空间（ashared-latentspace）的假设:处于不同domain的
Marcovaldo·2018-11-20 17:29

Unsupervised Image-to-Image Translation Networks(NIPS 2017)

文本为论文翻译，翻译尽量为通俗语言，并且尽最大可能还原论文的原意。原文名：《UnsupervisedImage-to-ImageTranslationNetworks》论文地址：https://arxiv.org/pdf/1703.00848.pdf对关键词的翻译，避免造成误解，特有以下说明：转换=translate，比如输入一张夏天的照片，输出一张冬天的照片，这个过程成为“转换”。领域=doma
木盏·2018-11-02 13:34

Multimodal Unsupervised Image-to-Image Translation

摘要无监督的图像到图像转换是计算机视觉中的重要且具有挑战性的问题。给定源域中的图像，目标是学习目标域中的对应图像的条件分布，而不会看到对应图像对的任何示例。虽然这种条件分布本质上是多模态的，但现有方法做出了过于简化的假设，将其建模为确定性的一对一映射。结果，它们无法从给定的源域图像生成不同的输出。为了解决这个限制，我们提出了一种多模态无监督图像到图像转换（MUNIT）框架。我们假设图像表示可以分解
蜉蝣之翼❉·2018-10-26 21:48

论文笔记《Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks》

这篇关于Cycle-GAN的论文笔记是今年三月份所写的，由于各种原因，直到现在才整理好，稳重有说的不对的地方，请批评指正。UnpairedImage-to-ImageTranslationusingCycle-ConsistentAdversarialNetworksfromICCV2017,UCBerkeley图对图翻译是一类计算机视觉任务，其目标是利用一个经过校准的图片对数据集学到输入图片对输
赛艇队长·2018-09-30 21:39

[论文阅读]Image-to-Image Translation with Conditional Adversarial Networks(Pix2Pix)

Image-to-ImageTranslationwithConditionalAdversarialNetworks(Pix2Pix)Introduction  文章将pix2pix这样的问题看作是图片对于图片的翻译。其重点在于Loss的设计。前人的尝试：使用欧氏距离，这样会导致生成的图片比较模糊，因为L2距离会通过平均输出值来降低Loss，然而这样会导致blurring（使用AE就会导致这样的
GJCfight·2018-09-09 17:41

Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks（CycleGAN）

UnpairedImage-to-ImageTranslationusingCycle-ConsistentAdversarialNetworks目录摘要1.引言2.相关工作3.Formulation3.1.AdversarialLoss3.2.CycleConsistencyLoss3.3.FullObjective4.implementation4.1NetworkArchitecture4.
C-------罗·2018-07-22 19:12

CVPR：Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks

UnpairedImage-to-ImageTranslationusingCycle-ConsistentAdversarialNetworks摘要背景：图像到图像的迁移是计算机视觉中的一个很有意思的问题。目标是学习一个从输入图片到目标图片的映射，在训练中需要使用成对的训练集。问题：成对的训练数据并不是那么容易获得的。本文方法：学习一个从源域(sourcedomain)到目标域(targetdo
cassiePython·2018-07-06 16:53

经典重温 Pix2Pix：Image-to-Image Translation with Conditional Adversarial Networks

文章来源于CVPR2017:Image-to-Imagetranslationwithconditionaladversarialnetworks。这篇文章基本可以认为是图像转换领域的一个转折点，其采用的条件生成对抗网络cGAN作为一种通用的图像变换方法，具有很高的参考价值。问题的提出换个角度看，现在很多计算机视觉问题可以看成是image-to-imagetranslation问题。对于不同的任务
JYZhang_sh·2018-06-26 22:56

论文之《Image-to-Image Translation with Conditional Adversarial Networks》1

转自：https://blog.csdn.net/m0_37231012/article/details/70331114论文链接摘要我们研究条件对抗网络的目的是将之作为一种图片到图片“翻译”问题的通用的解决方法。这些网络不仅学习了从输入图像到输出图像的映射，还学习了训练这个映射的损失函数。这使得将这个一般方法解决通常需要完全不同的损失函数公式的问题成为了可能。我们证实了这个方法在从标签图来合成图
Candy_GL·2018-06-06 15:49

Multimodal Unsupervised Image-to-Image Translation 论文小结

本文是自己阅读完MultimodalUnsupervisedImage-to-ImageTranslation后写的小结。因为自己理解不够，所以我选择保留原文中的一些英文单词而不是去翻译。自己之前虽然做过一些风格转化的工作，但是一直感觉非常懵懂，里面的东西很多自己都不明白，毕竟自己没有太多的理论知识，也不清楚很多模型的具体作用和限制。这篇论文里面有挺多理论上的分析，以及对很多模型作用的阐述。对我这
Brassica_·2018-04-25 20:32

全文翻译&杂记《Image-to-Image Translation with Conditional Adversarial NetWorks》

Image-to-ImageTranslationwithConditionalAdversarialNetWorks这是加里福利亚大学在CVPR2017上发表的一篇论文，讲的是如何用条件生成对抗网络实现图像到图像的转换任务。>原文链接：https://arxiv.org/abs/1611.07004>论文主页：https://phillipi.github.io/pix2pix/，其中包含了Py
Maples丶丶·2018-04-17 14:46

Image-to-Image Translation with Conditional Adversarial Networks笔记

论文的链接：https://arxiv.org/pdf/1611.07004.pdf代码链接：https://github.com/phillipi/pix2pix本文是UCBerkeleyAI研究院关于图像风格转化的文章，该文章首先指出gan可以自动地学习目标函数，从而对于一些难以确定目标函数的问题，gan可以取得更好的效果。同时采用U-网络代替原始的auto-encoder，实验表明u网络可以
RRZS·2018-02-11 23:17

Pytorch版UNIT（Coupled GAN algorithm for Unsupervised Image-to-Image Translation）（一）入口

UNIT与CoupledGAN（简称coGAN）的第一作者都是劉洺堉(LiuMingyu)，二者分别为ICCV和NIPS录用，可见作者在GAN方面成绩卓著。文章的原理另写一篇文章介绍。这里只介绍代码实现的细节。源代码这份代码可用鸿篇巨制形容。作者使用yaml文件将参数设置和网络定义分离，类似于caffe中的prototxt的风格,值得我们学习。代码的模块清晰，定义网络、训练等文件分开，井然有序。因
WilliamY·2017-12-07 15:50

Patch-GAN Image-to-Image Translation with Conditional Adversarial Networks超细致解析：使用条件Gan经行图像的转换

像素到像素的预测每次写一篇都为了自己更深的思考，也希望大家能读懂，一丢丢都不难。这篇论文解决的问题是使用通用框架解决像素到像素的预测，按照从上到下，从做到右说明：上图的第一幅分割街景图恢复成真是街景图，第二幅使用不同颜色的块生成真实建筑，第三幅图是常见的灰度变彩色，第四幅是将空中照片生成地图（谷歌地图），第五幅是图片的风格转移，第六幅图是通过简单的草图生成真实物体。综上，这些任务都是将一张输入图片
水球喵·2017-11-15 21:03

ICCV2017论文“Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks” 阅读笔记

ICCV2017论文“UnpairedImage-to-ImageTranslationusingCycle-ConsistentAdversarialNetworks”阅读笔记题目：UnpairedImage-to-ImageTranslationusingCycle-ConsistentAdversarialNetworks作者：Jun-YanZhu，TaesungPark等，Berkeley
Cyiano·2017-09-07 15:48

ICCV2017论文“Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks” 阅读笔记

ICCV2017论文“UnpairedImage-to-ImageTranslationusingCycle-ConsistentAdversarialNetworks”阅读笔记题目：UnpairedImage-to-ImageTranslationusingCycle-ConsistentAdversarialNetworks作者：Jun-YanZhu，TaesungPark等，Berkeley
Cyiano·2017-09-07 15:48

Image-to-Image Translation with Conditional Adversarial Networks

图像转换的条件对抗网络不仅学习了从输入图像到输出图像之间的映射，也学习了一个用来训练这个映射的损失函数。使得网络可以很好地应用到传统上需要不同损失结构的问题上。图像处理，图形学，CV的很多问题都可以概括为将输入图像转化为相应的输出图像，文章就是提出了一个针对这些问题的共同框架。CNN学习的目标是为了最小化损失函数（用于评估结果），尽管学习的过程是自动的，但有效的损失函数设计需要人工来参与，需要我们
KGzhang·2017-08-17 15:08

《Image-to-Image Translation with Conditional Adversarial Networks》论文笔记

论文链接摘要我们研究条件对抗网络的目的是将之作为一种图片到图片“翻译”问题的通用的解决方法。这些网络不仅学习了从输入图像到输出图像的映射，还学习了训练这个映射的损失函数。这使得将这个一般方法解决通常需要完全不同的损失函数公式的问题成为了可能。我们证实了这个方法在从标签图来合成图片、从边缘图来重构目标以及给图片着色问题上都很有效。作为一个共同体，我们不再需要人为构建映射函数，而且这项工作发现不用人为
My-Caroline·2017-04-21 16:29

Unsupervised Image-to-Image Translation Networks --- Reading Writing

原文链接：http://www.cnblogs.com/wangxiaocvpr/p/6498198.htmlUnsupervisedImage-to-ImageTranslationNetworks---ReadingWriting2017.03.03Motivations:mostexistingimagetoimagetranslationalgorithmsareallneedimagep
a1424262219·2017-03-03 19:00

Image set based collaborative representation for face recognition

Imagesetbasedfacerecognition难题：HowtorepresentthequeryfaceimagesetbyusingthegalleryfaceimagesetsSet-to-Set的度量方法，忽略了训练集之间的联系~image-to-image
yihaizhiyan·2013-10-11 16:00
上一页 1 2 3 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他