論文の概要: Adverse Weather Image Translation with Asymmetric and Uncertainty-aware GAN

• arxiv url: http://arxiv.org/abs/2112.04283v1
• Date: Wed, 8 Dec 2021 13:41:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-09 19:03:36.424679
• Title: Adverse Weather Image Translation with Asymmetric and Uncertainty-aware GAN
• Title（参考訳）: 非対称・不確実性GANを用いた逆気象画像変換
• Authors: Jeong-gi Kwak, Youngsaeng Jin, Yuanming Li, Dongsik Yoon, Donghyeon Kim, Hanseok Ko
• Abstract要約: 逆気象画像変換は、教師なし画像画像変換タスク(I2I)に属する。 Geneversarative Adrial Networks (GAN) はI2I翻訳において顕著な成功を収めた。 本稿では,非対称なドメイン翻訳アーキテクチャを持つ新しいGANモデル,すなわちAU-GANを提案する。
• 参考スコア（独自算出の注目度）: 16.80284837186338
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adverse weather image translation belongs to the unsupervised image-to-image (I2I) translation task which aims to transfer adverse condition domain (eg, rainy night) to standard domain (eg, day). It is a challenging task because images from adverse domains have some artifacts and insufficient information. Recently, many studies employing Generative Adversarial Networks (GANs) have achieved notable success in I2I translation but there are still limitations in applying them to adverse weather enhancement. Symmetric architecture based on bidirectional cycle-consistency loss is adopted as a standard framework for unsupervised domain transfer methods. However, it can lead to inferior translation result if the two domains have imbalanced information. To address this issue, we propose a novel GAN model, i.e., AU-GAN, which has an asymmetric architecture for adverse domain translation. We insert a proposed feature transfer network (${T}$-net) in only a normal domain generator (i.e., rainy night-> day) to enhance encoded features of the adverse domain image. In addition, we introduce asymmetric feature matching for disentanglement of encoded features. Finally, we propose uncertainty-aware cycle-consistency loss to address the regional uncertainty of a cyclic reconstructed image. We demonstrate the effectiveness of our method by qualitative and quantitative comparisons with state-of-the-art models. Codes are available at https://github.com/jgkwak95/AU-GAN.
• Abstract（参考訳）: 逆気象画像変換は、悪条件領域(例:雨の夜)を標準領域(例:日)に転送することを目的とした教師なしイメージ・ツー・イメージ(I2I)翻訳タスクに属する。 有害ドメインの画像にはいくつかのアーティファクトと不十分な情報があるため、これは難しい課題である。 近年, I2I翻訳においてGAN(Generative Adversarial Networks)を用いた研究が目覚ましい成功を収めているが, 悪天候改善には依然として限界がある。 非教師なしドメイン転送手法の標準フレームワークとして、双方向サイクル一貫性損失に基づく対称性アーキテクチャを採用する。 しかし、2つのドメインが不均衡な情報を持っている場合、翻訳結果が劣る可能性がある。 この問題に対処するために,非対称なドメイン翻訳アーキテクチャを持つ新しいGANモデル,すなわちAU-GANを提案する。 提案する機能転送ネットワーク({t}$-net)を通常のドメインジェネレータ(すなわち雨の夜->の日)のみに挿入し、悪質なドメインイメージのエンコードされた機能を強化する。 さらに、符号化された特徴の非対称な特徴マッチングを導入する。 最後に,循環再構成画像の局所的不確実性に対処するために,不確実性を認識するサイクルコンシスタンス損失を提案する。 本手法の有効性を,最先端モデルと定性的,定量的に比較した。 コードはhttps://github.com/jgkwak95/au-ganで入手できる。

関連論文リスト

• SyntStereo2Real: Edge-Aware GAN for Remote Sensing Image-to-Image Translation while Maintaining Stereo Constraint [1.8749305679160366]
  現在の手法では、2つのネットワーク、未ペア画像間翻訳ネットワークとステレオマッチングネットワークを組み合わせている。 両タスクを同時に処理するエッジ対応のGANネットワークを提案する。 我々は,既存のモデルよりも定性的かつ定量的に優れた結果が得られ,その適用性は多様な領域にまで及んでいることを実証した。
  論文  参考訳（メタデータ） (2024-04-14T14:58:52Z)
• Smooth image-to-image translations with latent space interpolations [64.8170758294427]
  マルチドメインイメージ・トゥ・イメージ(I2I)変換は、ターゲットドメインのスタイルに応じてソースイメージを変換することができる。 我々の正規化技術は、最先端のI2I翻訳を大きなマージンで改善できることを示す。
  論文  参考訳（メタデータ） (2022-10-03T11:57:30Z)
• Leveraging in-domain supervision for unsupervised image-to-image translation tasks via multi-stream generators [4.726777092009554]
  本稿では、翻訳品質の利点を活かすために、このドメイン内の貴重な事前知識を組み込むための2つの手法を紹介する。 本稿では,入力データをセマンティックマスクに従って分割し,画像の異なる領域の異なる動作にネットワークを明示的に導くことを提案する。 さらに,翻訳作業とともにセマンティックセグメンテーションネットワークを訓練し,この出力をロバスト性を向上させる損失項として活用することを提案する。
  論文  参考訳（メタデータ） (2021-12-30T15:29:36Z)
• Unsupervised Image-to-Image Translation via Pre-trained StyleGAN2 Network [73.5062435623908]
  本稿では,一連のモデル変換によって対象領域に新たなモデルを生成する新しいI2I翻訳手法を提案する。 潜在ベクトルを生成されたモデルに入力することで、ソースドメインとターゲットドメインの間でI2I翻訳を行うことができる。
  論文  参考訳（メタデータ） (2020-10-12T13:51:40Z)
• BalaGAN: Image Translation Between Imbalanced Domains via Cross-Modal Transfer [53.79505340315916]
  ドメイン不均衡問題に対処するために特別に設計されたBalaGANを紹介する。 我々は、画像から画像への変換問題を、バランスよく、複数クラス、条件付き翻訳問題に変換するために、よりリッチなドメインの潜在モダリティを利用する。 本研究では,BalaGANが,無条件およびスタイル変換に基づく画像から画像への変換方式の強いベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-05T14:16:41Z)
• MI^2GAN: Generative Adversarial Network for Medical Image Domain Adaptation using Mutual Information Constraint [47.07869311690419]
  本稿では,ドメイン間I2I翻訳中に画像コンテンツを保持する新しいGANを提案する。 特に、ソース画像と翻訳画像の両方のドメイン情報からコンテンツ特徴を分離する。 提案したMI$2$GANは,大腸内視鏡画像を用いたポリープセグメンテーションと,眼底画像における光ディスクとカップのセグメンテーションの2つの課題について評価した。
  論文  参考訳（メタデータ） (2020-07-22T03:19:54Z)
• Structured Domain Adaptation with Online Relation Regularization for Unsupervised Person Re-ID [62.90727103061876]
  Unsupervised Domain adapt(UDA)は、ラベル付きソースドメインデータセットでトレーニングされたモデルを、ラベルなしのターゲットドメインデータセットに適応させることを目的としている。 本稿では,オンライン関係整合性正規化項を用いたエンドツーエンドなドメイン適応フレームワークを提案する。 提案手法は,複数のUDAタスクにおける人物再IDの最先端性能を実現することを目的としている。
  論文  参考訳（メタデータ） (2020-03-14T14:45:18Z)
• Image Fine-grained Inpainting [89.17316318927621]
  拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。 この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。 また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
  論文  参考訳（メタデータ） (2020-02-07T03:45:25Z)
• Asymmetric GANs for Image-to-Image Translation [62.49892218126542]
  GAN(Generative Adversarial Networks)の既存のモデルは、サイクル一貫性損失を使用して、ソースドメインからターゲットドメインへのマッピングを学習する。 非対称GANモデルを提案し、不等サイズと異なるパラメータ共有戦略の変換と再構成の両方を行う。 8つのデータセットを用いた教師付きおよび教師なし生成タスクの実験は、非対称GANが優れたモデルキャパシティとより良い生成性能を達成することを示す。
  論文  参考訳（メタデータ） (2019-12-14T21:24:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。