论文题目

基于CGAN的人脸深度图估计: Face Depth Estimation With Conditional Generative Adversarial Networks

论文摘要

深度图的估计和单幅或多幅人脸图像的三维重建是计算机视觉的一个重要研究领域。在过去十年中提出和发展了许多方法。然而,像健壮性这样的问题仍然需要通过进一步的研究来解决。随着GPU计算方法的出现,卷积神经网络被应用到许多计算机视觉问题中。后来,条件生成对抗网络(CGAN)因其易于适应许多图像间问题而受到关注。CGANs已被广泛应用于各种任务,如背景掩蔽、分割、医学图像处理和超分辨率。在这项工作中,我们开发了一种基于GAN的方法来估计任何给定的单人脸图像的深度图。许多GANs的变体已经被测试用于的深度估计这项工作任务。我们的结论是,条件式瓦瑟斯坦GAN结构提供了最稳健的方法。我们还将该方法与其它两种基于深度学习和传统方法的方法进行了比较,实验结果表明,WGAN为从人脸图像中估计人脸深度图提供了很好的机会。

论文作者

Abdullah Taha Arslan,Erol Seke

关键字

三维人脸重建,生成对抗网络,深度学习

百度链接

链接: https://pan.baidu.com/s/13zk5uEeuGw7f5VyL9xAong 密码: 2bgb

成为VIP会员查看完整内容
0
13

相关内容

相较原始的GAN,DCGAN几乎完全使用了卷积层代替全链接层,判别器几乎是和生成器对称的,整个网络没有pooling层和上采样层的存在,实际上是使用了带步长(fractional-strided)的卷积代替了上采样,以增加训练的稳定性

论文题目: Monocular Depth Estimation: A Survey

论文摘要: 单目深度估计常被描述为一个不适定和固有的模糊问题。从二维图像中估计深度是场景重建、三维目标识别、分割和检测的关键步骤。该问题可以分为:给定单个RGB图像作为输入,预测每个像素的稠密深度图。由于大多数场景具有较大的纹理和结构变化、对象遮挡和丰富的几何细节,这一问题更加严重。所有这些因素都造成了准确估计深度的困难。在本文中,我们回顾了五篇试图用各种技术来解决深度估计问题的论文,这些技术包括有监督、弱监督和无监督学习技术。然后,我们比较这些文件,了解彼此之间的改进。最后,我们探讨可以帮助更好地解决这个问题的潜在改进。

成为VIP会员查看完整内容
0
45

Generative Adversarial Networks (GANs) convergence in a high-resolution setting with a computational constrain of GPU memory capacity (from 12GB to 24 GB) has been beset with difficulty due to the known lack of convergence rate stability. In order to boost network convergence of DCGAN (Deep Convolutional Generative Adversarial Networks) and achieve good-looking high-resolution results we propose a new layered network structure, HDCGAN, that incorporates current state-of-the-art techniques for this effect. A novel dataset, Curt\'o Zarza (CZ), containing human faces from different ethnical groups in a wide variety of illumination conditions and image resolutions is introduced. CZ is enhanced with HDCGAN synthetic images, thus being the first GAN augmented face dataset. We conduct extensive experiments on CelebA and CZ.

0
4
下载
预览

Deep neural networks (DNNs) have been found to be vulnerable to adversarial examples resulting from adding small-magnitude perturbations to inputs. Such adversarial examples can mislead DNNs to produce adversary-selected results. Different attack strategies have been proposed to generate adversarial examples, but how to produce them with high perceptual quality and more efficiently requires more research efforts. In this paper, we propose AdvGAN to generate adversarial examples with generative adversarial networks (GANs), which can learn and approximate the distribution of original instances. For AdvGAN, once the generator is trained, it can generate adversarial perturbations efficiently for any instance, so as to potentially accelerate adversarial training as defenses. We apply AdvGAN in both semi-whitebox and black-box attack settings. In semi-whitebox attacks, there is no need to access the original target model after the generator is trained, in contrast to traditional white-box attacks. In black-box attacks, we dynamically train a distilled model for the black-box model and optimize the generator accordingly. Adversarial examples generated by AdvGAN on different target models have high attack success rate under state-of-the-art defenses compared to other attacks. Our attack has placed the first with 92.76% accuracy on a public MNIST black-box attack challenge.

0
8
下载
预览
小贴士
相关VIP内容
专知会员服务
25+阅读 · 2020年1月10日
生成式对抗网络GAN异常检测
专知会员服务
58+阅读 · 2019年10月13日
相关资讯
带你读论文 | 生成对抗网络GAN论文TOP 10
微软研究院AI头条
22+阅读 · 2019年4月11日
必读!生成对抗网络GAN论文TOP 10
GAN生成式对抗网络
55+阅读 · 2019年3月20日
论文推荐 | 生成对抗网络GAN论文TOP 10
机器学习算法与Python学习
5+阅读 · 2019年3月20日
CosFace: Large Margin Cosine Loss for Deep Face Recognition论文笔记
统计学习与视觉计算组
32+阅读 · 2018年4月25日
SRGAN论文笔记
统计学习与视觉计算组
64+阅读 · 2018年4月12日
ST-CGAN 用GAN实现阴影检测和阴影去除
极市平台
5+阅读 · 2017年12月14日
相关论文
MelGAN: Generative Adversarial Networks for Conditional Waveform Synthesis
Kundan Kumar,Rithesh Kumar,Thibault de Boissiere,Lucas Gestin,Wei Zhen Teoh,Jose Sotelo,Alexandre de Brebisson,Yoshua Bengio,Aaron Courville
5+阅读 · 2019年10月8日
Zilong Zhong,Jonathan Li,David A. Clausi,Alexander Wong
3+阅读 · 2019年5月12日
Mode Seeking Generative Adversarial Networks for Diverse Image Synthesis
Qi Mao,Hsin-Ying Lee,Hung-Yu Tseng,Siwei Ma,Ming-Hsuan Yang
3+阅读 · 2019年3月18日
3D Hand Shape and Pose Estimation from a Single RGB Image
Liuhao Ge,Zhou Ren,Yuncheng Li,Zehao Xue,Yingying Wang,Jianfei Cai,Junsong Yuan
14+阅读 · 2019年3月3日
Zhiming Zhou,Jiadong Liang,Yuxuan Song,Lantao Yu,Hongwei Wang,Weinan Zhang,Yong Yu,Zhihua Zhang
7+阅读 · 2019年2月15日
A General and Adaptive Robust Loss Function
Jonathan T. Barron
7+阅读 · 2018年11月5日
Sudeep Pillai,Rares Ambrus,Adrien Gaidon
4+阅读 · 2018年10月3日
Joachim D. Curtó,Irene C. Zarza,Fernando De La Torre,Irwin King,Michael R. Lyu
4+阅读 · 2018年5月10日
Ngoc-Trung Tran,Tuan-Anh Bui,Ngai-Man Cheung
9+阅读 · 2018年3月23日
Chaowei Xiao,Bo Li,Jun-Yan Zhu,Warren He,Mingyan Liu,Dawn Song
8+阅读 · 2018年1月15日
Top