基于解耦内容-风格特征表示的图像转换研究进展

图像到图像转换(Image-to-Image Translation,I2IT)是在保留图像的内容特征条件下,将源域图像转换成目标域图像的过程,旨在学习不同域图像之间的映射。因I2IT应用广泛,如图像风格迁移、图像语义分割、图像修复和图像超分辨率等,图像转换任务一直是计算机视觉领域中研究的热点和重点,并在近年来因深度学习的蓬勃发展取得了显著进展。其中,基于解耦内容-风格特征表示的无监督模型是图像转换的重要方法。本文从内容表示和风格表示两方面梳理了此类模型的发展历程;总结了图像转换任务中常用的数据集和评价指标,同时比较了经典模型在不同数据集上的效果;最后对基于解耦内容-风格特征表示的无监督图像转换的研究进行总结与展望。

文本风格转换综述

自然语言生成是人工智能系统中的重要组成部分,随着人工智能技术逐渐融入人们的生活,人们对自然语言生成技术有了更高的要求,可控自然语言生成成为新的研究热点.文本风格转换任务作为可控自然语言生成的重要研究方向,受到学术界和工业界的广泛关注.文本风格转换任务指的是在保留文本原有内容的基础上,有目的地生成目标风格的句子.为了进一步展示该任务中的发展进程,首先,介绍了当前文本风格转换任务的定义及发展脉络;然后,基于模型方法将当前的研究工作总结成3类,即基于隐空间解耦、基于显性解耦和基于一步映射,在简述这些工作的基础上,着重介绍了一些具有启发意义的工作;接着,梳理和分析了文本风格转换任务中的公共数据集和评估方法;最后,对文本风格转换任务的未来发展趋势提出展望.