导言

这篇文章有 2篇论文速递，都是生成对抗网络GAN方向（CVPR 2018），一篇解决为前景目标找到逼真的几何校正的问题，使得它在合成到背景图像中时看起来很自然，另一篇是预测人体运动行为。注意，两篇都是CVPR 2018文章。

CVer

编辑: Amusi

校稿: Amusi

时间: 2018-07-10

**前戏 ** Amusi 将日常整理的论文都会同步发布到 daily-paper-computer-vision 上。名字有点露骨，还请见谅。喜欢的童鞋，欢迎star、fork和pull。

直接点击“阅读全文”即可访问daily-paper-computer-vision。 link: https://github.com/amusi/daily-paper-computer-vision

生成对抗网络（GAN）

《ST-GAN: Spatial Transformer Generative Adversarial Networks for Image Compositing》

CVPR 2018

Background

Qualitative evaluation on the indoor rendering test set

Abstract：我们解决了为前景目标找到逼真的几何校正的问题，使得它在合成到背景图像中时看起来很自然。为实现这一目标，我们提出了一种新颖的生成对抗网络（GAN）架构，该架构利用空间变换器网络（STN）作为生成器，我们将其称为空间变换器GAN（ST-GAN）。 ST-GAN通过在几何扭曲参数空间中操作来寻求图像真实感。特别地，我们利用迭代STN变形方案并提出顺序训练策略（sequential training strategy），与单个生成器的简单训练相比，该策略实现更好的结果。 ST-GAN的关键优势之一是其间接适用于高分辨率图像，因为预测的扭曲参数可在参考帧之间转移。我们在两个应用中展示了我们的方法：（1）可视化室内家具（例如来自产品图像）在房间中的感知方式，（2）与真实肖像相匹配时，幻觉眼镜等附件的外观。

arXiv：https://arxiv.org/abs/1803.01837

code：https://chenhsuanlin.bitbucket.io/spatial-transformer-GAN/

《Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks》

CVPR 2018

System overview

(https://s4.51cto.com/images/blog/202101/31/72d762675470d2ccc0d699e11033cc25.png?x-oss-process=image/watermark,size_16,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_30,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=) Examples of diverse predictions from our model

Abstract：了解人体运动行为对于自动移动平台（如自动驾驶汽车和社交机器人）来说至关重要，如果他们要驾驭以人为中心的环境。 这具有挑战性，因为人体运![]动本质上是多模态的：考虑到人类运动路径的历史，人们可以在未来采取许多社会合理的方式。我们通过组合序列预测和生成对抗网络的工具来解决这个问题：循环序列到序列模型观察运动历史并预测未来行为，使用新的汇集机制来汇总人们的信息。我们通过对抗 recurrent 的鉴别器来对抗，从而预测社会可信的未来，并通过新的多样性损失鼓励多样化的预测。通过对几个数据集的实验，我们证明了我们的方法在准确性，多样性，碰撞避免和计算复杂性方面优于先前的工作。

arXiv：https://arxiv.org/abs/1803.10892

注：李飞飞团队大作