GAN在low-level vision中的应用论文是怎么样的

1 【图像分离、去雨/反射/阴影等】Deep Adversarial Decomposition: A Unified Framework for Separating Superimposed Images

 

将图像层从单个混合图像分开是一项重要但具有挑战性的任务。本文为图像分离提出统一的框架“deep adversarial decomposition 深度对抗分解”。方法在对抗训练下处理线性和非线性混合，可在多种计算机视觉任务（去雨，去反光/阴影）上达到最好的结果。

 

2 【图像恢复】Learning Invariant Representation for Unsupervised Image Restoration

 

本文提出一种无监督学习的图像恢复方法。通过解耦表征、对抗域适应从噪声数据得到不变表示，辅助有效的自监督约束，可以重建具有更好细节的高质量图像。

 

3 【去雾】Domain Adaptation for Image Dehazing

 

近年来，基于学习的方法进行图像去雾已取得最先进的性能。但大多数方法都在合成模糊图像上训练除雾模型，由于域偏移domain shift，这些模型很难推广到真实模糊图像。为此提出一种领域适应范式，由一个图像转换模块和两个图像去雾模块组成。具体来说，首先应用双向转换网络，通过将图像从一个域转换到另一个域，来弥合合成域和真实域间的鸿沟。然后，使用转换前后的图像来训练具有一致性约束的两个图像去雾网络。

 

4 【图像重建、恢复、超分】EventSR: From Asynchronous Events to Image Reconstruction, Restoration, and Super-Resolution via End-to-End Adversarial Learning

 

事件相机Event cameras比传统相机有许多优势，从事件流中重建intensity images时，输出却是低分辨率（LR）、带噪音且不够逼真的。为此提出一种新的端到端pipeline，可从事件流中重建LR图像，增强图像质量并对增强后的图像进行上采样，称为 EventSR。方法是无监督的、应用了对抗学习。有关实验视频https://youtu.be/OShS_MwHecs

5 【注意力机制、超分】Learning Texture Transformer Network for Image Super-Resolution

 

图像超分辨率（SR）是从低分辨率（LR）图像中恢复逼真的纹理；通过将高分辨率图像用作参考（Ref），可将相关纹理迁移到LR图像。但现有SR方法忽略了使用注意力机制从Ref图像迁移高分辨率（HR）纹理的情况，本文提出TT（Texture Transformer Network）SR，其中LR和Ref图像分别表示为转换器中的查询和关键字。TTSR由四个紧密相关的模块组成，这些模块针对图像生成任务进行了优化，包括DNN可学习的纹理提取器，相关性嵌入模块，用于纹理迁移的硬注意力模块和用于纹理合成的软注意力模块。这样的设计鼓励了跨LR和Ref图像的联合特征学习，其中可通过注意力发现深层特征对应关系，从而可以传递/迁移准确的纹理特征信息。

 

6 【自监督、超分】PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models

 

单图像超分辨率的主要目的是从相应的低分辨率（LR）输入构建高分辨率（HR）图像。在通常受到监督的先前方法中，训练目标通常测量超分辨（SR）和HR图像之间的像素方向平均距离。优化此类指标通常会导致模糊。本文提出一种新型超分辨率算法PULSE（通过潜在空间探索进行照片上采样），它以完全自监督的方式完成此任务。

7 【解耦表征、多模图像转换、超分、修复】Nested Scale-Editing for Conditional Image Synthesis

 

提出一种图像合成方法，可在潜在码空间中提供分层导航。对于微小局部或非常低分辨率的图像，方法在生成最接近GT的采样图像方面始终胜过最新技术。