包括Unsupervised, Weakly supervised, Few shot, Zero shot等topic
主要关注图像增强, 修复, 生成等任务
可能与其它方向的论文记录有重叠.
-
Learning Invariant Representation for Unsupervised Image Restoration
Wenchao Du, Hu Chen, Hongyu Yang
[CVPR 2020] [Pytorch-Code]
[★☆] (无监督, domain transfer) 无监督图像恢复, 使用了GAN, 设计了各种loss -
Bringing Old Photos Back to Life
Ziyu Wan, Bo Zhang, Dongdong Chen, Pan Zhang, Dong Chen, Jing Liao, Fang Wen
[CVPR 2020 Oral] [Project]
[★★☆] (无监督, domain transfer) 无监督老照片恢复, 用生成的老照片训练, 在真实老照片上取得好效果. 使用一个VAE将真实和生成的照片映射到相近的空间, 第二个VAE负责恢复无损照片, 中间还有一些映射等操作. -
Syn2Real Transfer Learning for Image Deraining using Gaussian Processes
Rajeev Yasarla, Vishwanath A. Sindagi, Vishal M. Patel
[CVPR 2020] [Pytorch-Code]
[Syn2Real] [★★] (transfer learning, 高斯过程) 使用高斯过程计算无标签真实数据的unsupervised loss. 从paper的实验效果来看有不错的效果, 值得一试 -
Global and Local Enhancement Networks for Paired and Unpaired Image Enhancement
Han-Ul Kim, Young Jun Koh, Chang-Su Kim
[ECCV 2020] [Project] [Pytorch-Code]
[GLeNet] [★★] (无监督, 曲线预测) 全局预测曲线(3*256) + 局部增强. 无监督训练部分采用类似cycle gan的策略. 更具有实用性的曲线预测策略已经开始获得关注, 相关论文越来越多了. -
Exploiting Deep Generative Prior for Versatile Image Restoration and Manipulation
Xingang Pan, Xiaohang Zhan, Bo Dai, Dahua Lin, Chen Change Loy, Ping Luo
[ECCV 2020 Oral] [Pytorch-Code]
[DGP] [★★] (online finetune, 无需训练样本对) 提出用预训练的GAN作为先验, 无需在特定任务上finetune, 即可实现超分, 上色等图像恢复任务和图像变形，类别转换等图像编辑功能. 论文主要是在一般GAN inversion的基础上, 提出同时优化隐向量z和生成网络参数, 达到了更好更自然的效果. -
Blind Super-Resolution Kernel Estimation using an Internal-GAN
Sefi Bell-Kligler, Assaf Shocher, Michal Irani
[NIPS 2019 Oral] [Project] [Pytorch-Code]
[KernelGAN] [★★] (zero-shot, 降质核估计) 无监督预测降质核并进行超分的方法. 使用若干个现象卷积层的GAN预测降质kernel, 训练的的GAN可以合成一个kernel, 作为该图形的降质核, 网络训练采用LSGAN和若干正则项构成. 预测的模糊核作为ZSSR的降质核, 再无监督地预测炒粉结果 -
WESPE: Weakly Supervised Photo Enhancer for Digital Cameras
Andrey Ignatov, Nikolay Kobyshev, Radu Timofte , Kenneth Vanhoey, Luc Van Gool
[CVPRW 2018] [Project]
[WESPE] [★] (无需训练样本对) -
Deep Photo Enhancer: Unpaired Learning for Image Enhancement from Photographs with GANs
Yu-Sheng Chen, Yu-Ching Wang, Man-Hsin Kao, Yung-Yu Chuang
[CVPR 2018 Spotlight] [TF-Code] [TF-Code2]
[★☆] (无需训练样本对) UNet + cycGAN, 无需paired样本的图像增强方法, 可以参考, 只是代码有一点点乱 -
Deep Image Prior
Dmitry Ulyanov, Andrea Vedald, Victor Lempitsky
[CVPR 2018] [Project]
[★★] (zero-shot) 1) 一篇有趣的论文, 提出深度卷积网络在图像生成和恢复任务中表现好的原因, 可能并不是因为其从大量图像中学习到了某种先验, 其实随机初始化的网络足以从输入中抓取大量的low-level图像先验信息. 在通过迭代的方式从图像中学习先验的过程中, 那些自然的, 有规律的内容较容易提取,会先被学习出来, 因此就达到了去噪或其它restoration的目的. 2) 粗读, 实用性有待验证, 有时间可以好好研究一下.