Collaborative generative adversarial network (CollaGAN) is the algorithm recently proposed that is for multi-domain image translation or missing data imputation. This study expands the CollaGAN for the two different tasks with other methods for each applications. First application is the multi-energy chest radiograph bone subtraction. We propose the network of CollaGAN that can synthesize ridograph of unmeasured energy level using multi-energy radiographs. After that, we proposed eigenvalue decomposition method that decompose bone and soft tissue images from multi-energy radiographs. Also, the noise of the image is decreased as a post-processing by using wavelet cycle consistency generative adversarial network. Experimental results and qualitative evaluation verify the method effectively results in bone-removed chest radiographs. Second part of the study is about the facial expression images translation by using registration network and the GANs. For two arbitrary face images, it is difficult to train GANs alone for image translation. In this study, We introduce the registration network for the first step deformation. And then, unnatural deformed images are refined to be more realistic by CollaGAN.
다중 도메인 협력 적대적 생성 신경망은 다중 도메인 영상 변환이나 결측 영상 대체를 위해 최근 제안된 알고리즘이다. 본 연구는 대중도메인 적대적 생성신경망을 두 가지 다른 과제에 맞게 응용하여 확장한다. 첫 번째 적용은 다중에너지 흉부 방사선영상에서의 뼈 소거이다. 본 연구는 측정되지 않은 에너지에 해당하는 방사선 영상을 다중에너지 영상으로부터 생성할 수 있도록 하는 다중 도메인 협력 적대적 생성 신경망을 제안한다. 그 후 뼈와 연조직을 분해하도록 하는 고유 값 분해 방법을 제안한다. 또한, 영상의 잡음은 웨이브릿 주기적 일관성 적대적 신경망을 통해 후처리 과정으로서 감소된다. 실험 결과와 질적 평가는 이러한 방법이 효과적으로 뼈가 소거된 흉부방사선영상을 만들어 낼 수 있다는 것을 증명한다. 연구의 두 번째 부분은 정합 네트워크와 적대적 생성 신경망을 이용한 얼굴 표정 생성에 관한 연구이다. 임의의 두 얼굴 영상의 경우, 적대적 생성 신경망만으로는 영상 변환을 학습하는 것이 어렵다. 본 연구에서는 정합 네트워크를 첫 번째 단계로써 변형한다. 그 다음에, 부자연스럽게 변형된 영상을 다중 도메인 적대적 생성 신경망을 통해 더 현실적이게 개선한다.
