200字范文,内容丰富有趣,生活中的好帮手!
200字范文 > GAN属于计算机视觉领域嘛_【图像上色小综述】生成对抗网络的GAN法

GAN属于计算机视觉领域嘛_【图像上色小综述】生成对抗网络的GAN法

时间:2018-09-10 21:09:53

相关推荐

GAN属于计算机视觉领域嘛_【图像上色小综述】生成对抗网络的GAN法

本文首发于公众号【机器学习与生成对抗网络】,欢迎关注、回复GAN获取分类好的论文集,后台会邀您加入CV&GAN交流群一起讨论)

戳我,查看GAN的系列专辑~!

0,图像上色及其分类

图像上色一般分为两种:无引导上色和有引导上色。顾名思义,无引导指的是全交由算法进行自动化上色,而有引导则在上色过程中有人为(其它参照)干预,比如给出一幅风格参考图像或指定某一区域为特定颜色。图像上色的主要难点比如:1)数据集获取;2)上色的语义辨识性,前背景、各目标实例独立色彩效果;3)合理统一的评估方法等结合GAN的上色方案一般具有一些优点是:1)GAN生成模型擅长图像转换任务,而图像上色也属于图像转换;2)训练效果引入判别器判定,对抗损失可视作一种”学习出来“的loss,减免人工精心设计loss难度;3)擅长生成多样性的上色方案等

1,: Unsupervised Diverse Colorization via Generative Adversarial Networks

灰度图像上色是计算机视觉中的热门话题。以前的研究主要集中在如何以有监督的学习方式产生彩色图像。但由于许多颜色共享相同的灰度值,因此输入的灰度图像可以在保持其真实性的同时进行多种着色。本文为无监督的多种着色设计了一种新颖的解决方案。 具体来说,利用条件生成对抗网络对现实世界中物体颜色的分布进行建模,其中一种具有多层噪声的全卷积生成器被提出以增强多样性。该模型在开放的LSUN卧室数据集中产生了极具竞争力的性能,对80个人进行的图灵测试进一步表明方案的有效性。

2,-ACPR: Style Transfer for Anime Sketches with Enhanced Residual U-net and Auxiliary Classifier GAN

根据内容图像和目标风格图像,神经风格迁移可以自动合成指定的、目标风格的内容图像。 但将绘画的风格应用于动漫草图任务时,只会将草图线随机着色为输出。本文将残差U-net集成到带有辅助分类器的生成对抗网络(AC-GAN)中,以完成动漫草图上色任务。 该方法属于有引导的图像上色方法。 上图网络结构中,使用了预训练的VGG网络提取”全局风格提示“来辅助训练。对于照片着色、阴影、材质和纹理是输入中的变量,网络可依据提示信息分析颜色分布。 作者在实验中发现加入两个中间层的”引导解码器“后,可以为网络提供更稳定的梯度。

3,-ACMTOGTSC: Two-stage Sketch Colorization

素描或线稿艺术上色是一个具有巨大市场需求的研究领域。与强烈依赖纹理信息的普通照片上色不同,草图上色更具挑战性,因为草图可能没有纹理。本文提出一个基于半自动学习的框架,以用适当的颜色、纹理和渐变为草图着色。方法包括两个阶段。在第一个绘图阶段,模型预测颜色区域,并在草图上飞溅多种颜色以获得颜色草图;在第二个细化阶段,检测出不协调的颜色和伪像,并修复和细化成最终结果。

4,-CVPR: Scribbler: Controlling Deep Image Synthesis with Sketch and Color

最近的一些工作已经使用深度卷积网络来生成逼真的图像。这些方法避开了传统的计算机图形渲染流程,而是通过从大量照片(例如人脸或卧室)中学习来生成像素级别的图像。但是,由于用户难以控制网络产生的内容,作者这些方法的用途有限。本文提出了一种以草图和稀疏的笔画为条件,生成逼真的汽车、卧室或面孔。 文章属于较早的CVPR,网络结构类似于pix2pix,损失也是在如今看来非常常见的对抗损失、L2损失、特征感知损失等。

5,-ACM Multimedia: User-Guided Deep Anime Line Art Colorization with Conditional Adversarial Networks

基于涂鸦颜色的线稿上色是一个具有挑战性的计算机视觉问题,因为线稿中既无灰度值也无语义信息,并且缺乏真实的训练数据图像对image pair也增加了难度。之前几种基于对抗网络的方法已经取得了巨大的成功,但这些方法无法捕获真实的插图分布,在某种意义上说它们缺乏精确的阴影,并不令人满意。本文提出一种深度条件对抗架构:将条件框架与WGAN-GP以及感知损失进行了集成,以稳健地训练网络,使合成图像更加自然和真实。此外还引进了独立于合成数据的局部特征网络。收集了两个数据集,高质量的彩色插图和真实的线条艺术。

6,-ECCV: Coloring with Words: Guiding Image Colorization Through Text-based Palette Generation

本文提出了一种新的基于文本引导的上色方法,通过生成符合输入文本语义的多个调色板,然后根据生成的调色板对给定的灰度图像进行上色。与现有方法相比,模型可理解富文本(单个单词、短语和句子),并可从中生成多个可能的调色板。为此引进了一个“调色板和文本(PAT)”的数据集。提出的模型Text2Colors由两个条件生成对抗网络组成:文本到调色板的生成网络和基于调色板的上色网络。前者捕获文本输入的语义并产生相关的调色板;后者使用生成的调色板为灰度图像上色。

7,-CVPR: Coloring With Limited Data: Few-Shot Colorization via Memory-Augmented Networks

尽管之前基于深度学习的自动上色方面取得了非常好的进步,但在少样本的情况下,仍然受到限制:现有模型需要大量的训练数据。本文提出了一种新颖的存储memory增强型上色模型:MemoPainter(通过查询的方式,获取在memory网络里中训练集里给定的颜色信息以引导上色),该模型可在有限的数据下产生高质量的着色。作者认为所提出模型能够捕获稀有实例并更好地为它们上色。还提出了一种新颖的阈值三元损失(threshold triplet loss),可在无类标签下完成对存储网络进行无监督的训练。

8,-CVPR: Reference-Based Sketch Image Colorization using Augmented-Self Reference and Dense Semantic Correspondence

与大多数有引导图像上色方法一样,本文在给定已着色的参考图像下,解决了草图自动上色问题。在漫画动画中,对素描图像上色的需求很大,但素描(纹理等)信息匮乏。为此,参考图像通过以一种可靠的、用户驱动的方式辅助上色过程。但训练数据集获取是个问题,且数据集如何保证具有足够多的语义上有意义的图像对(image pair)?为了应对这一挑战,提出使用具有几何失真的相同图像作为虚拟参考图像去引导上色,这可以确保彩色输出图像具有更具有真实性的ground true。

猜您喜欢:

GAN&CV交流群,无论小白还是大佬,诚挚邀您加入

1.GAN公式简明原理之铁甲小宝篇

GAN整整6年了!是时候要来捋捋了!数百篇GAN论文已下载好!搭配一份生成对抗网络最新综述!新手指南综述 | GAN模型太多,不知道选哪儿个?人脸图像GAN,今如何?(附多篇论文下载)人脸生成新SOTA?语义金字塔式-图像生成:一种使用分类模型特征的方法拆解组新的GAN:解耦表征MixNMatchCVPR | StarGAN第2版:多域多样性图像生成CVPR | GAN中的反射/反光、阴影CVPR | 几篇GAN语义生成论文CVPR | 10篇改进GAN的论文(网络、训练、正则等)CVPR | 11篇GAN图像转换img2img 的论文CVPR之MSG-GAN:简单有效的SOTA?CVPR之姿势变换GANCVPR之多码先验GAN:预训练好的模型怎么使用?两幅图像!这样能训练好 GAN 做图像转换吗? ECCV 的对抗相关论文(对抗生成、对抗攻击)7月90篇GAN/对抗论文汇总 6月100篇GAN/对抗论文汇总5月60篇GAN论文汇总最新下载!4月份70多篇GAN论文!最新下载!一览3月至今90多篇GAN论文!最新下载!一览2月50多篇GAN论文!一览!1月份的GANs论文!12月份的GANs论文一览这么多!11月份来的这些GAN论文都在解决什么方向的问题?

部分应用介绍:

脸部转正!GAN能否让侧颜杀手、小猪佩奇真容无处遁形?【无中生有的AI】关于deepfake的入门级梳理容颜渐失!GAN来预测?异常检测,GAN如何gan?虚拟换衣!这几篇最新论文不来GAN GAN?脸部妆容迁移!速览几篇用GAN来做的论文有点夸张、有点扭曲!速览GAN如何夸张漫画化人脸!见微知细之超分辨率GAN!附70多篇论文下载!天降斯雨,于我却无!GAN用于去雨如何?结合GAN的零次学习(zero-shot learning)强数据所难!SSL(半监督学习)结合GAN如何?弱水三千,只取你标!AL(主动学习)结合GAN如何?【1】GAN在医学图像上的生成,今如何?

本内容不代表本网观点和政治立场,如有侵犯你的权益请联系我们处理。
网友评论
网友评论仅供其表达个人看法,并不表明网站立场。