Image-to-Image Translation for Realism Enhancement

Abstract

The primary challenge in image-to-image translation for realism enhancement is the ability to transform an image in a manner that honors the complexity and subtleties of reality. In this project, we evaluate various image-to-image translation methods aimed at achieving realism across different domains, employing diverse architectures. Our inspiration comes from deep learning techniques based on Generative Adversarial Networks (GANs), with a specific focus on applying variations to the objective function in Pix2pix using our dataset. Our goal is to develop a strategy that not only provides enhanced visualization but also enables an efficient comparison of different image translation methods and their results via an intuitive web interface. ***

Le défi principal de la traduction d’image à image pour une amélioration du réalism est la capacité de transformer une image d’une manière qui respecte la complexité et les subtilités de la réalité. Dans ce projet, nous évaluons diverses méthodes de traduction d’image à image visant à atteindre le réalisme dans différents domaines, en utilisant des architectures variées. Notre inspiration provient des techniques d’apprentissage profond basées sur les Réseaux Antagonistes Génératifs (GANs), avec un accent particulier sur l’application de variations à la fonction objectif dans Pix2pix en utilisant notre jeu de données. Notre objectif est de développer une stratégie qui offre non seulement une visualisation améliorée, mais permet également une comparaison efficace des différentes méthodes de traduction d’image et de leurs résultats via une interface web intuitive.