- 综合排序
- 最热优先
- 最新优先
- 来自专栏计算机视觉理论及其实现
Towards Instance-level Image-to-Image Translation
该领域的最新进展，如MUNIT和DRIT，主要集中在首先从给定图像中解开内容和风格/属性，然后直接采用全局风格来指导模型合成新的领域图像。 我们通过利用MUNIT和DRIT方法构建我们的框架。为了避免重复，我们省略了一些无伤大雅的细节。与MUNIT和DRIT类似，我们的方法直接且易于实现。 相比之下，MUNIT和DRIT只使用整个图像样式或属性，这很难对丰富的图像空间表示进行建模和覆盖。 MUNIT： MUNIT由每个域的编码器和解码器组成。它假设图像表示可以分解为域不变的内容空间和域特定的风格空间。每个编码器的潜在向量被分解为内容向量和风格向量。 由于我们使用了粗糙和精细的风格，我们的平均INIT w/Ds得分显著优于MUNIT。
61010编辑于 2023-10-07 - 来自专栏计算机视觉理论及其实现
CoMoGAN: continuous model-guided image-to-image translation
具体而言，我们使用骨干MUNIT（多模）或CycleGAN（单模）进行训练，并分别铸造我们的替代品CoMo MUNIT和CoMo CycleGAN。 混乱的维度 由于MUNIT在设计上是多模态的，因此评估CoMo MUNIT将 与MUNIT的风格维度正确地分开是很重要的。我们通过采样 和样式来实现这一点。 值得注意的是，我们改进了清晰（CS）和模糊（FD）数据集，显示CoMo MUNIT保留了准确的清晰和模糊翻译。 我们调整了两个基线DNI-CycleGAN和DNI-MUNIT都在第7天训练→ 黎明/黄昏→ 夜。 相反，CoMo MUNIT（最下面一行）的翻译在晚上既逼真又静止。
63040编辑于 2023-10-17 - 来自专栏顶级程序员
4月份最热门的五大AI机器学习项目
Google 开源 Swift for TensorFlow》 3、MUNIT ? 来自康奈尔大学的研究小组提出了一种多模态无监督的图像到图像转换问题的标准框架-（MUNIT）框架，用于将图像从一个域转换到另一个域。 而MUNIT的另一个激动人心的功能正是可以为一张图片提供多个输出。（项目地址：https://github.com/NVlabs/MUNIT） 4、GluonNLP ?
52320发布于 2018-07-23 - 来自专栏MixLab科技+设计实验室
人工智能服装设计,这是什么黑科技?
其实很简单，利用的是英伟达出品的“MUNIT: Multimodal UNsupervised Image-to-image Translation”算法，这个算法很神奇，可以看成是cyclegan的进化版 ，我之前给汽车线稿上色的案例就是用cyclegan做的，但cyclegan对于每个输入的线稿只能生成一个上色结果，而MUNIT则会产生一堆可能的上色结果。 原因在于MUNIT分离了图片内容编码（服装的款式）与图片风格编码（服装的颜色材质纹理），所以可以用同一个内容编码配上不同的风格编码，生成无数套方案。 ? 听到这里，设计师朋友们内心OS：简单个屁！ 按照直接在之前文章[设计师的AI自学之路] 设计线稿AI上色中介绍的提取线稿的方法，提取出对应的线稿图片，最后就把真人图片和线稿图片（其实这里疏忽了一步，忘记把图片处理成正方形了，导致最后训练得到的人全变矮了）按MUNIT
1.6K20发布于 2019-05-05 - 来自专栏Android、鸿蒙开发
Android 自定义View 之 计时文字
public class TimingTextView extends MaterialTextView { /** * 时间单位 */ private int mUnit R.styleable.TimingTextView_countdown, false); mMax = typedArray.getInteger(R.styleable.TimingTextView_max, 60); mUnit throw new IllegalArgumentException("unit value can only be between 1 and 3"); } mUnit return mTiming; } /** * 开始 */ public void start() { switch (mUnit
52140编辑于 2023-04-23 - 来自专栏ATYUN订阅号
【科技】豹变猫？实时场景转变？NVIDIA多模式图像转换技术都能实现
多模式的无人监管图像对图像转换框架，即MUNIT，通过内容与风格来区分图像。例如，在一张猫的照片中，猫的姿势就是内容，而品种则是风格，姿势是固定的。 这类数据极难找到，而MUNIT的优点是它并不需要这些数据也可以完成任务。 用MUNIT很容易为自动驾驶汽车生成训练数据，而且不需要从相同的角度捕捉相同的视频片段，只需要同样的视角，以及在相同位置记录的所有接近的车流和其他细节。
38620发布于 2018-07-27 - 来自专栏AI科技大本营的专栏
我们从250个机器学习开源项目中挑出了Top 10，Github平均star979
项目链接： https://github.com/GauravBh1010tt/DeepLearn ▌No.4 MUNIT：多模态无监督图像到图像转换（star：813） ? 项目地址： https://github.com/NVlabs/MUNIT 论文地址： https://arxiv.org/abs/1804.04732 ▌No.5 MMdnn： 一套帮助用户在不同深度学习框架间进行互操作的工具
49930发布于 2018-07-23 - 来自专栏机器学习算法与Python学习
5月，机器学习开源新项目Top-10
Learn 中实现深度学习、自然语言处理和计算机视觉的研究论文（star：1277） 项目链接： https://github.com/GauravBh1010tt/DeepLearn ▌No.4 MUNIT ：多模态无监督图像到图像转换（star：813） 项目地址： https://github.com/NVlabs/MUNIT 论文地址： https://arxiv.org/abs/1804.04732
52240发布于 2018-06-25 - 来自专栏人工智能头条
我们从250个机器学习开源项目中挑出了Top 10，Github平均star979
Learn 中实现深度学习、自然语言处理和计算机视觉的研究论文（star：1277） 项目链接： https://github.com/GauravBh1010tt/DeepLearn ▌No.4 MUNIT ：多模态无监督图像到图像转换（star：813） 项目地址： https://github.com/NVlabs/MUNIT 论文地址： https://arxiv.org/abs/1804.04732
69231发布于 2018-06-05 - 来自专栏目标检测和深度学习
Github 平均 Star 979！一文了解 Top 10 机器学习开源项目
项目链接： https://github.com/GauravBh1010tt/DeepLearn ▌No.4 MUNIT：多模态无监督图像到图像转换（star：813） ? 项目地址： https://github.com/NVlabs/MUNIT 论文地址： https://arxiv.org/abs/1804.04732 ▌No.5 MMdnn： 一套帮助用户在不同深度学习框架间进行互操作的工具
1.2K20发布于 2018-07-20 - 来自专栏磐创AI技术团队的专栏
热点 | 四月最佳Github项目库与最有趣Reddit热点讨论（文末免费送百G数据集）
3.MUNIT: Multimodal UNsupervised Image-to-image Translation（多模态无监督图像转换） https://github.com/NVlabs/MUNIT 来自康奈尔大学的研究小组提出了一种多模态无监督的图像到图像转换问题的标准框架-（MUNIT）框架，用于将图像从一个域转换到另一个域。 而MUNIT的另一个激动人心的功能正是可以为一张图片提供多个输出。
84520发布于 2018-07-03 - 来自专栏完美Excel
精通Excel数组公式020：MMULT数组函数
： （1）任意单元格为空或包含文本 （2）数组1中的列数不等于数组2中的行数 （3）MMULT函数返回的输出值超过5460个单元格 MINVERSE函数和MUNIT函数 MINVERSE函数和MUNIT MINVERSE函数计算方阵的逆，MUNIT函数（在Excel 2013中引入）计算单位矩阵。 如下图6所示，方阵与其逆的乘积为单位矩阵。 ? 图8 在Excel2013及以后的版本中，可以使用MUNIT函数得到单位矩阵，如下图9所示。 ? 图9 示例：使用MMULT求解方程组 如下图10所示，求解三元线性方程组。 ?
3.1K20发布于 2021-03-12 - 来自专栏IT派
我们从250个机器学习开源项目中挑出了Top 10，Github平均star979
Learn 中实现深度学习、自然语言处理和计算机视觉的研究论文（star：1277） 项目链接： https://github.com/GauravBh1010tt/DeepLearn ▌No.4 MUNIT ：多模态无监督图像到图像转换（star：813） 项目地址： https://github.com/NVlabs/MUNIT 论文地址： https://arxiv.org/abs/1804.04732
73530发布于 2018-07-30 - 来自专栏计算机视觉理论及其实现
ManiFest: manifold deformationfor few-shot image translation
总之，我们使用MUNIT作为我们的支柱。 4.1、训练步骤 数据集我们使用四个数据集进行实验。 在图5中，我们在城市景观[6]的夜间版本上训练HRNet[51]，该版本是通过使用ManiFest或MUNIT翻译数据集并在ACDC夜间验证集标签上进行评估而获得的。 图5显示，由于我们更好的目标域建模，我们的性能优于MUNIT主干（+3.09mIoU）。其他领域的其他结果是补充性的。 当MUNIT过度填充并创建不真实的外观（25–10个图像）或折叠（5，1个图像）时，我们在所有情况下都输出真实的变换，甚至在极端的单镜头场景中保留图像上下文。 9，其中我们的表现也与DNI-MUNIT[52]和CoMoGAN相当，后者使用明显更多的中间数据进行训练（4721 vs 20）。
57920编辑于 2023-10-07 - 来自专栏机器学习与生成对抗网络
CVPR 2021 人脸属性风格解耦
妈妈式代码，详细注释，手把手教学，因为自己也相当幸运作为入门者的时候，看的是多模态的模型MUNIT(https://github.com/NVlabs/MUNIT)的代码，非常好理解和进一步修改。
1.1K10发布于 2021-03-29 - 来自专栏机器之心
英伟达开源「Imaginaire」：九大图像及视频合成方法，你学fei了吗？
近几年，英伟达提出了 SPADE、MUNIT 等多个图像及视频合成模型。 近日，英伟达又开源了一个新的 PyTorch 库「Imaginaire」，共包含 9 种英伟达开发的图像及视频合成方法。 ? /github.com/NVlabs/imaginaire 这九种方法分别为： 有监督的图像到图像转换 1、pix2pixHD 2、SPADE/GauGAN 无监督的图像到图像转换 1、UNIT 2、MUNIT MUNIT 无监督图像到图像转换是计算机视觉领域一个重要而富有挑战的问题：给定源域（source domain）中的一张图像，需要在没有任何配对图像数据的情况下，学习出目标域（target domain 项目地址：https://github.com/NVlabs/imaginaire/tree/master/projects/munit ?
1.1K20发布于 2020-10-27 - 来自专栏量子位
把「我的世界」马赛克变成逼真大片，英伟达又出黑科技
以下是在两个场景中，分别使用MUNIT、GauGAN用到的SPADE、wc-vid2vid，以及NSVF-W（NSVF+NeRF-W）生成的效果。 ? 通过对比可以看到： 诸如MUNIT和SPADE这类im2im（图像到图像转换）方法，无法保持视角的一致性，这是因为模型不了解3D几何形状，而且每个帧是独立生成的。
61930发布于 2021-04-23 - 来自专栏完美Excel
Excel公式练习50： 在公式中用特定构造代替常量数组
如果不考虑公式所用字符最少这个前提的话，可以使用下面的公式： 公式7： FREQUENCY(2,1)*2-1 公式8： INDEX(MUNIT(2),,2)*2-1 公式9： MODE.MULT(-1,
79030发布于 2020-03-17 - 来自专栏计算机视觉理论及其实现
Multimodal UnsupervisedImage-to-Image Translation
为了解决这一限制，我们提出了一种多模式无监督图像到图像翻译（MUNIT）框架。我们假设图像表示可以分解为域不变的内容代码和捕获域特定属性的样式编码。 在本文中，我们提出了一个多模式无监督图像到图像翻译（MUNIT）问题的原则框架。如图1（a）所示，我们的框架做出了几个假设。我们首先假设图像的潜在空间可以分解为内容空间和风格空间。 5.5、结果 首先，我们将MUNIT与上述四种基线以及分别消融 的三种MUNIT变体进行了定性比较。图4显示了边缘的示例结果边缘→ 鞋。 在没有 或 的情况下，MUNIT的图像质量是不令人满意的。在没有 的情况下，模型会因部分模式崩溃而失效，许多输出几乎相同（例如，前两行）。 从MUNIT中删除 或 会导致质量显著下降。如果没有 ，质量和多样性都会恶化。完整模型获得的质量和多样性与完全监督的BicycleGAN相当，并且明显优于所有无监督基线。
46630编辑于 2023-10-07 - 来自专栏晓飞的算法工程笔记
GIT：斯坦福大学提出应对复杂变换的不变性提升方法 | ICLR 2022
图片 论文参考了多模态图像转换模型MUNIT来构造生成模型，该类模型能够从数据中学习到多种复杂变换，然后对输入进行变换生成不同的输出。 论文对MUNIT进行了少量修改，使其能够学习单数据集图片之间的变换，而不是两个不同域数据集之间的变换。从图2的生成结果来看，生成模型能够很好地捕捉数据集中的复杂变换，即使是尾部类也有不错的效果。 需要注意的是，MUNIT是非必须的，也可以尝试其它可能更好的方法。 在训练好生成模型后，使用GIT作为真实复杂变换的代理来为分类器进行数据增强，希望能够提高尾部类对复杂变换的不变性。
79310编辑于 2022-07-18
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号