本文探讨了多种图像去噪方法,包括基于多层感知器的直接映射、加权核范数最小化、生成网络和自编码器等。这些方法在合成和真实噪声图像上均表现优于现有技术,尤其在处理不同噪声水平和提高去噪效果方面。此外,提出的选择性融合模块和条件优化框架也显示了良好的性能。
该论文提出了多种图像修复技术,包括基于DINet的高分辨率人脸配音方法、DeepGIN深度生成修复网络和Noise-Image Cross-fusion Network。这些方法在多个数据集上均表现优于现有技术,展现了良好的泛化能力和效果。
本文综述语义对抗样本研究,利用生成网络在语义空间搜索自然、易读的对抗样本,以验证黑盒分类器鲁棒性,应用于图像分类、文本蕴含和机器翻译。方法通过语义感知扰动、结构化变换和潜在空间操作生成逼真样本,可欺骗模型并迁移至真实黑盒服务,影响ImageNet等任务。
该研究提出了一种新的度量方法,用于评估生成网络的建模能力。该方法使用树状图来比较真实数据和生成数据之间的差异,特别关注无法捕捉训练集中所有模式的生成器。验证结果表明该方法具有竞争力。
本文介绍了一种新的生成网络SegAttnGAN,利用附加的分割信息进行文本到图像综合任务,相较于之前的技术,该模型可以生成更真实和准确的图像。在CUB和Oxford-102数据集上获得了高分数,并测试了自我关注SegAttnGAN,结果也很好。该模型可用于文本到图像综合任务。
本文提出了一种利用生成网络和检测网络将 RGB 图像转化为热成像图像的端到端框架,通过生成的热成像图像与真实数据进行比较,论证了使用生成对抗网络将 RGB 训练数据转化为热成像数据的可行性,从而加快和降低生成热成像数据的成本,满足安全应用的需求。
完成下面两步后,将自动完成登录并继续当前操作。