FDIT

Frequency Domain Image Translation: More Photo-realistic, Better Identity-preserving iccv 2021

为什么读这篇论文

• 从频域角度改善提高图像翻译质量

Contribution

• 提出了一种新的基于频率的图像翻译框架FDIT，在保留源域语义信息(identity-preserving)的同时，学习目标域的风格信息image hybrids realism
• 将图像分解为低频和高频分量，其中高频特征捕获图像的整体结构语义信息，低频分量更关注颜色和光线等信息

Method

同时在像素空间和傅里叶光谱空间中进行约束，从而保存频率信息

• Pixel Space Loss
  • High- and low-frequency images
    • 利用Gaussian kernel过滤高频特征，保留低频信息
    • 
    • 
    • 像素空间下损失计算
• Fourier Frequency Space Loss

  • Transformation from pixel space to the Fourier spectral space

  • 

  • 高频分量计算

    • $F^R_H (x) = F^R(rgb2gray(x))·M_H$
    • 

  • 损失

Experiment

• 像素和傅里叶空间损失是互补的

【腾讯文档】实验进度 docs.qq.com/doc/DU2VBcX…