有限数据下的着色：基于记忆增强网络的小样本着色
计算机视觉与模式识别
2019-07-01 v1
摘要
尽管基于深度学习的自动着色近期取得了进展，但在小样本学习场景下仍存在局限。现有模型需要大量训练数据。为解决这一问题，我们提出一种新颖的记忆增强着色模型 MemoPainter，能够在有限数据下生成高质量着色结果。特别是，我们的模型能够捕捉稀有实例并成功为其着色。我们还提出一种新颖的阈值三元组损失，无需类别标签即可实现记忆网络的无监督训练。实验表明，我们的模型在小样本和单样本着色任务中均具有卓越的质量。
引用
@article{arxiv.1906.11888,
title = {Coloring With Limited Data: Few-Shot Colorization via Memory-Augmented Networks},
author = {Seungjoo Yoo and Hyojin Bahng and Sunghyo Chung and Junsoo Lee and Jaehyuk Chang and Jaegul Choo},
journal= {arXiv preprint arXiv:1906.11888},
year = {2019}
}
备注
CVPR 2019