U-GAT-IT —正式TensorFlow实施（ICLR 2020） ：具有图像到图像转换的自适应层实例规范化的无监督生成注意网络 | 该存储库提供以下论文的正式Tensorflow实现： U-GAT-IT：具有图像到图像转换的自适应层实例规范化的无监督生成注意网络Kim Junho（NCSOFT） ，Minjae Kim（NCSOFT），Hyeonwoo Kang（NCSOFT），Kwanghee Lee（波音韩国） 摘要我们提出了一种新的无监督图像到图像翻译方法，该方法以端到端的方式结合了新的注意力模块和新的可学习归一化功能。 注意力模块指导我们的模型将注意力集中在基于辅助分类器获得的注意力图来区分源域和目标域的更重要区域上。 与以前基于注意力的方法无法处理域之间的几何变化不同，我们的模型可以转换需要整体变化的图像和需要大形状变化的图像。 此外，我们新的AdaLIN（自适应层实例

通过协同调制的对抗网络进行大规模图像完成，ICLR 2021（聚焦） | [NEW！]是时候玩我们的！ 条件生成对抗网络的许多任务特定变体已经开发出来用于图像完成。 然而，仍然存在严重的局限性，即在处理大规模缺失区域时，所有现有算法都倾向于失败。 为了克服这一挑战，我们提出了一种通用的新方法，该方法通过对有条件和随机样式表示形式进行共调制来弥合图像条件和最近调制的无条件生成体系结构之间的差距。 此外，由于缺乏用于图像完成的良好定量指标，我们提出了新的配对/未配对初始判别分数（P-IDS / U-IDS） ，该指标可通过线性可分离性来可靠地测量修复图像与真实图像之间的感知保真度在特征空间中。 实验证明，在质量和多样性方面都优于最新形式的自由形式图像完成功能，并且易于将图像概括为图像到图像的翻译。 通过协同调制的对抗网络进行大规模图像完成，，盛怡伦，董悦，肖亮，张兆祥，徐彦清华大学与微软

ICLR论文合集，此篇收集了2018的所有论文，希望对各位同学有用，论文合集，论文合集，论文合集，论文合集。

本文发现对比学习（Contrastive Learning）相关的接受paper非常多，对比学习这几年方法的研究，特别是难样本的选取机制以及在CV、NLP、DM上应用也非常广，也是当前比较火的topic。

本文发现基于图神经网络（Graph Neural Networks，GNN）相关的接受paper非常多，图神经网络这几年方法的研究，以及在CV、NLP、DM上应用也非常广，也是当前比较火的topic。

ICLR 采用公开评审，可以提前看到这些论文。本文发现基于因果推理（Causal Inference）相关的投稿paper很多，因果推理，以及反事实等相关理论方法在CV、NLP都开始有相关的应用了，这个前沿的方法受到了很多人的关注。