本文發於公眾號【
機器學習與生成對抗網路
】，歡迎
關注
、
後臺會誠邀您
加入CV&GAN交流群
一起討論）
戳我，檢視GAN的系列專輯~！
1 【影象分離、去雨/反射/陰影等】Deep Adversarial Decomposition: A Unified Framework for Separating Superimposed Images
將影象層從單個混合影象分開是一項重要但具有挑戰性的任務。本文為影象分離提出統一的框架“deep adversarial decomposition 深度對抗分解”。方法在對抗訓練下處理線性和非線性混合，可在多種計算機視覺任務（去雨，去反光/陰影）上達到最好的結果。
2 【影象恢復】Learning Invariant Representation for Unsupervised Image Restoration
本文提出一種無監督學習的影象恢復方法。透過解耦表徵、對抗域適應從噪聲資料得到不變表示，輔助有效的自監督約束，可以重建具有更好細節的高質量影象。
3 【去霧】Domain Adaptation for Image Dehazing
近年來，基於學習的方法進行影象去霧已取得最先進的效能。但大多數方法都在合成模糊影象上訓練除霧模型，由於域偏移domain shift，這些模型很難推廣到真實模糊影象。為此提出一種領域適應正規化，由一個影象轉換模組和兩個影象去霧模組組成。具體來說，首先應用雙向轉換網路，透過將影象從一個域轉換到另一個域，來彌合合成域和真實域間的鴻溝。然後，使用轉換前後的影象來訓練具有一致性約束的兩個影象去霧網路。
4 【影象重建、恢復、超分】EventSR: From Asynchronous Events to Image Reconstruction, Restoration, and Super-Resolution via End-to-End Adversarial Learning
事件相機Event cameras比傳統相機有許多優勢，從事件流中重建intensity images時，輸出卻是低解析度（LR）、帶噪音且不夠逼真的。為此提出一種新的端到端pipeline，可從事件流中重建LR影象，增強影象質量並對增強後的影象進行上取樣，稱為 EventSR。方法是無監督的、應用了對抗學習。有關實驗影片
https：//
youtu。be/OShS_MwHecs
5 【注意力機制、超分】Learning Texture Transformer Network for Image Super-Resolution
影象超解析度（SR）是從低解析度（LR）影象中恢復逼真的紋理；透過將高解析度影象用作參考（Ref），可將相關紋理遷移到LR影象。但現有SR方法忽略了使用注意力機制從Ref影象遷移高解析度（HR）紋理的情況，本文提出TT（Texture Transformer Network）SR，其中LR和Ref影象分別表示為轉換器中的查詢和關鍵字。TTSR由四個緊密相關的模組組成，這些模組針對影象生成任務進行了最佳化，包括DNN可學習的紋理提取器，相關性嵌入模組，用於紋理遷移的硬注意力模組和用於紋理合成的軟注意力模組。這樣的設計鼓勵了跨LR和Ref影象的聯合特徵學習，其中可透過注意力發現深層特徵對應關係，從而可以傳遞/遷移準確的紋理特徵資訊。
6 【自監督、超分】PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models
單影象超解析度的主要目的是從相應的低解析度（LR）輸入構建高解析度（HR）影象。在通常受到監督的先前方法中，訓練目標通常測量超分辨（SR）和HR影象之間的畫素方向平均距離。最佳化此類指標通常會導致模糊。本文提出一種新型超解析度演算法PULSE（透過潛在空間探索進行照片上取樣），它以完全自監督的方式完成此任務。
7 【解耦表徵、多模影象轉換、超分、修復】Nested Scale-Editing for Conditional Image Synthesis
提出一種影象合成方法，可在潛在碼空間中提供分層導航。對於微小區域性或非常低解析度的影象，方法在生成最接近GT的取樣影象方面始終勝過最新技術。
GAN&CV交流群，無論小白還是大佬，誠摯邀您加入
1。GAN公式簡明原理之鐵甲小寶篇
GAN整整6年了！是時候要來捋捋了！
數百篇GAN論文已下載好！搭配一份生成對抗網路最新綜述！
新手指南綜述 | GAN模型太多，不知道選哪兒個？
人臉影象GAN，今如何？（附多篇論文下載）
人臉生成新SOTA？
語義金字塔式-影象生成：一種使用分類模型特徵的方法
拆解組新的GAN：解耦表徵MixNMatch
CVPR 2020 | StarGAN第2版：多域多樣性影象生成
CVPR 2020 | GAN中的反射/反光、陰影
CVPR 2020 | 幾篇GAN語義生成論文
CVPR 2020 | 10篇改進GAN的論文（網路、訓練、正則等）
CVPR 2020 | 11篇GAN影象轉換img2img 的論文
CVPR2020之MSG-GAN：簡單有效的SOTA？
CVPR2020之姿勢變換GAN
CVPR2020之多碼先驗GAN：預訓練好的模型怎麼使用？
兩幅影象！這樣能訓練好 GAN 做影象轉換嗎？
2020年5月60篇GAN論文彙總
最新下載！2020年4月份70多篇GAN論文！
最新下載！一覽2020年3月至今90多篇GAN論文！
最新下載！一覽2020年2月50多篇GAN論文！
一覽！2020年1月份的GANs論文！
2019年12月份的GANs論文一覽
這麼多！11月份來的這些GAN論文都在解決什麼方向的問題？
部分應用介紹：
臉部轉正！GAN能否讓側顏殺手、小豬佩奇真容無處遁形？
【無中生有的AI】關於deepfake的入門級梳理
容顏漸失！GAN來預測？
異常檢測，GAN如何gan？
虛擬換衣！這幾篇最新論文不來GAN GAN？
臉部妝容遷移！速覽幾篇用GAN來做的論文
有點誇張、有點扭曲！速覽GAN如何誇張漫畫化人臉！
見微知細之超解析度GAN！附70多篇論文下載！
天降斯雨，於我卻無！GAN用於去雨如何？
結合GAN的零次學習（zero-shot learning）
強資料所難！SSL（半監督學習）結合GAN如何？
弱水三千，只取你標！AL（主動學習）結合GAN如何？
【1】GAN在醫學影象上的生成，今如何？
