10.3969/j.issn.1000-1220.2020.12.018
基于条件生成式对抗网络的图像转换综述
图像转换实现两个图像域之间的映射,源域图像经过转换得到目标域图像.随着生成式对抗网络(Generative Adversar-ial Network,GAN)在计算机视觉领域的发展,图像转换越来越受到重视.结合条件生成式对抗网络(Conditional GAN)与深度学习中的其他图像处理技术,图像转换模型能够处理更复杂的跨域转换以及更具有针对性的实例转换等任务.该文从监督学习与无监督学习入手论述图像转换模型,其中监督学习包括一对一映射模型与多模态映射模型,无监督学习包括基于循环一致性约束的转换模型、实例级图像转换模型、基于潜在编码的转换模型、基于共享潜在空间的图像转换模型与基于特征分离的转换模型等,最后介绍常见的转换模型评价方法,并尝试探讨图像转换研究的热点与可能的发展趋势.
深度学习、生成式对抗网络、图像转换
41
TP391(计算技术、计算机技术)
国家自然科学基金项目;广西自然科学基金项目
2020-12-15(万方平台首次上网日期,不代表论文的发表时间)
共13页
2569-2581