基于对抗网络的图像合成：综合综述与案例研究
计算机视觉与模式识别
2020-12-29 v1 图像与视频处理
摘要
生成对抗网络（GANs）在计算机视觉、医学和自然语言处理等多个应用领域取得了极大成功。此外，将物体或人物变换为期望形状已成为 GANs 中研究充分的方向。GANs 是用于学习复杂分布以合成具有语义意义样本的强大模型。然而，该领域缺乏全面综述，尤其缺乏 GANs 损失变体、评价指标、多样化图像生成补救措施以及稳定训练的汇总。鉴于当前 GANs 的快速发展，本综述对用于图像合成的对抗模型进行了全面回顾。我们总结了合成图像生成方法，并讨论了包括图像到图像翻译、融合图像生成、标签到图像映射以及文本到图像翻译在内的类别。我们根据基础模型、与架构相关的思想、约束、损失函数、评价指标和训练数据集组织文献。我们展示了对抗模型的里程碑，回顾了各类别中大量已有工作，并提出了从基于模型到数据驱动方法发展路径的见解。此外，我们强调了一系列潜在的未来研究方向。本综述的独特特征之一是所有这些 GAN 方法和数据集的软件实现已被收集并统一发布于 https://github.com/pshams55/GAN-Case-Study。
引用
@article{arxiv.2012.13736,
title = {Image Synthesis with Adversarial Networks: a Comprehensive Survey and Case Studies},
author = {Pourya Shamsolmoali and Masoumeh Zareapoor and Eric Granger and Huiyu Zhou and Ruili Wang and M. Emre Celebi and Jie Yang},
journal= {arXiv preprint arXiv:2012.13736},
year = {2020}
}