From 4658f1f51c39cc16e26a3625f174fcc18f95a27d Mon Sep 17 00:00:00 2001 From: Zhedong Zheng Date: Thu, 11 Jul 2019 23:37:13 +1000 Subject: [PATCH] Add 2019CVPR Paper and examples for GAN Add 2019CVPR Paper and examples for GAN --- .../ch7.md" | 5 +++++ 1 file changed, 5 insertions(+) diff --git "a/ch07_\347\224\237\346\210\220\345\257\271\346\212\227\347\275\221\347\273\234(GAN)/ch7.md" "b/ch07_\347\224\237\346\210\220\345\257\271\346\212\227\347\275\221\347\273\234(GAN)/ch7.md" index 3d8a83fd..88e7ca71 100755 --- "a/ch07_\347\224\237\346\210\220\345\257\271\346\212\227\347\275\221\347\273\234(GAN)/ch7.md" +++ "b/ch07_\347\224\237\346\210\220\345\257\271\346\212\227\347\275\221\347\273\234(GAN)/ch7.md" @@ -455,6 +455,9 @@ cycleGAN模型较好的解决了无监督图像转换问题，可是这种单一 ![cycleGAN数据增广](./img/ch7/cycleGAN数据增广.png) ​ 对于每一对摄像头都训练一个cycleGAN，这样就可以实现将一个摄像头下的数据转换成另一个摄像头下的数据，但是内容（人物）保持不变。 +在CVPR19中，[9]进一步提升了图像的生成质量，进行了“淘宝换衣”式的高质量图像生成（如下图），提供了更高质量的行人训练数据。 + +![DG-Net数据增广](https://github.com/NVlabs/DG-Net/raw/master/NxN.jpg) ### 7.5.2 图像超分辨与图像补全 @@ -482,5 +485,7 @@ cycleGAN模型较好的解决了无监督图像转换问题，可是这种单一 [8] Donahue C , Li B , Prabhavalkar R . Exploring Speech Enhancement with Generative Adversarial Networks for Robust Speech Recognition[J]. 2017. +[9] Zheng, Z., Yang, X., Yu, Z., Zheng, L., Yang, Y., & Kautz, J. Joint discriminative and generative learning for person re-identification. IEEE Conference on Computer Vision and Pattern Recognition (CVPR)[C]. 2019. +