[CVPR2018]PairedCycleGAN: Asymmetric Style Transfer for Applying and Removing Makeup
标题：PairedCycleGAN: Asymmetric Style Transfer for Applying and Removing Makeup
链接：https://openaccess.thecvf.com/content_cvpr_2018/papers/Chang_PairedCycleGAN_Asymmetric_Style_CVPR_2018_paper.pdf
本文主要的思路就是将cycleGAN用于妆容迁移。最大的亮点就是通过扭曲妆容图像来构造相似妆容对，从而构建出一个可以对妆容类型进行鉴别的discriminator。
结构如图所示，本质上就是cycleGAN，输入一张没化妆的图像和参考图像，通过G网络生成妆后图像，然后通过F网络还原回没化妆的图像。进而做重构损失
Adversarial loss
最基础的GAN loss，就是判断生成的图像真不真实。
identity loss
这其实就是原来基于像素的cycle consistency loss
style loss
这分为两个部分：
第一个是基于妆容的颜色一致性匹配，就是对像素颜色做l1损失。
第二个是给discriminator加了一个style一致性的loss，也就是说，输入两张图，discriminator需要判断出这两张图是不是同一个妆容。这样我们就可以将生成的妆容图和原始参考图一起输入，来让discriminator判断了。但是按照GAN的逻辑，生成的图像给的标签应该是“不是同一个妆容”，也就是负样本。那正样本怎么构造呢？作者提出的想法是随便找个图，提取landmark，然后将参考图按照landmark扭曲成找的这张图的样子，从而构造正样本。
区域分割
最后要说的就是作者也观察到了不同区域间妆容的类别差异还是很大的，比如眼影和口红，完全不是一类，因此作者也做了语义分割，然后对每个区域分别设计G和F来做妆容转移，最后拼接到一起作为最终输出。
[CVPR2018]PairedCycleGAN: Asymmetric Style Transfer for Applying and Removing Makeup相关推荐
- 吴恩达深度学习课程deeplearning.ai课程作业：Class 4 Week 4 Art Generation with Neural Style Transfer
吴恩达deeplearning.ai课程作业,自己写的答案. 补充说明: 1. 评论中总有人问为什么直接复制这些notebook运行不了?请不要直接复制粘贴,不可能运行通过的,这个只是notebook ...
- 15.深度学习练习：Deep Learning Art: Neural Style Transfer
本文节选自吴恩达老师<深度学习专项课程>编程作业,在此表示感谢. 课程链接:https://www.deeplearning.ai/deep-learning-specialization ...
- 吴恩达深度学习4.4练习_Convolutional Neural Networks_Art Generation with Neural Style Transfer
转载自吴恩达老师深度学习课程作业notebook Deep Learning & Art: Neural Style Transfer Welcome to the second assign ...
- 吴恩达老师深度学习视频课笔记：神经风格迁移(neural style transfer)
什么是神经风格迁移(neural style transfer):如下图,Content为原始拍摄的图像,Style为一种风格图像.如果用Style来重新创造Content照片,神经风 ...
- 深度摄影风格转换--Deep Photo Style Transfer
Deep Photo Style Transfer https://arxiv.org/abs/1703.07511 Code: https://github.com/luanfujun/deep-p ...
- AUTOVC: Zero-Shot Voice Style Transfer with Only Autoencoder Loss代码调试过程
论文: AUTOVC: Zero-Shot Voice Style Transfer with Only Autoencoder Loss 代码实现参考:https://github.com/peis ...
- AUTOVC: Zero-Shot Voice Style Transfer with Only Autoencoder Loss笔记
文章目录 网络结构 说话人编码器 内容编码器 解码器 声码器 实验 论文: AUTOVC: Zero-Shot Voice Style Transfer with Only Autoencoder L ...
- 谈谈图像的style transfer（二）
总说 主要从几个方面来进行说明吧 - 加快transfer的速度 - 让transfer的效果看起来更加visual-pleasing - 其他的一些方面 - 用GAN来做 加快style s ...
- 神经风格迁移（Neural Style Transfer）程序实现（Caffe）
前言 上次的博客写了神经风格迁移(Neural Style Transfer)程序实现(Keras),使用keras的一个好处就是api简单,能够快速部署模型,使用很方便.出于学习目的,这次又使用ca ...
最新文章
- 预计2020年传感器需求超一万亿个
- eclipse发布web项目到生产环境的方式汇总（tomcat）
- 最最简单的CentOs6在线源搭建
- 部署到ABAP服务器上的SAP UI5应用，其index.html的读取逻辑
- java开发环境安装原理,java开发环境搭建 java开发环境的完整搭建过程
- 前端学习（2596）：后台系统的权限控制和管理--刷新页面消失
- java基础的知识_Java基础知识点（一）
- Android 动态改变布局属性RelativeLayout.LayoutParams.addRule()
- js forEach跳出循环
- Asp.Net MVC4入门指南（8）：给数据模型添加校验器
- android电源管理白名单,刷BIOS工具分享（白名单，高级菜单，电源管理）
- Python爬虫自己写项目之：爬取火车站的时刻表和票务信息
- r矢量球坐标系旋度_唯心识学075·如何理解三维直角坐标系中的旋度表达式
- 聚美优品根据关键词取商品列表 API
- 二进制，十进制，十六进制相互转换(小白友好)
- 路肩石水渠机在施工公路项目中工艺特点的匹配
- 关于CSDN获取博客内容接口的x-ca-signature签名算法研究
- 聊聊 Bladed 软件
- C#输入三条边判断是否为三角形
- PWM和PPM的区别