{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期部分”：[[2022,12,11]]，“日期时间”：“2022-12-11T05:40:51Z”，“时间戳”：1670737251929}，“出版商位置”：“查姆”，“引用计数”：69，“出版者”：“斯普林格国际出版”，“isbn-type”：[{“值”：“9783031207129”，“类型”：”打印“}，{“值”：“9783031207136”，“type”：“electronic”}]，“license”：[{“start”：{“date-parts”：[2022,1,1]]，“date-time”：“2022-01-01T00:00:00Z”，“timestamp”：1640995200000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.springernature.com\/gp\/researters\/text-and-data-mining”}，{“开始”：{“date-ports”：[2022,1,1]，“日期-时间”：“2022-01-01T00:00:00Z”，“时间戳”：1640995200000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https://www.springernature.com//gp\/researters\/text-and-data-mining”}]，“content-domain”：{“domain”:[“link.springer.com”]，“crossmark-restriction”：false}，”short-container-title“：[]，”published-print“：{”date-parts“：[2022]]}，‘DOI’：“10.1007\/978-3-0”31-20713-6_1“，”type“：”book-chapter“，“created”：{“date-parts”：[[2022,12,10]]，“date-time”：“2022-12-10T06:08:19Z”，“timestamp”：1670652499000}，“page”：“3-21”，“update-policy”：”http://\/dx.doi.org\/10.1007\/springer_crossmark_policy“，”source“：”Crossref“，“is-referenced-by-count”：0，“title”：[“Unpervised Structure-Consisted Image-to-Image Translation”]，“prefix”：“10.1007”，“作者”：[{“ORCID”：“http://\/orcid.org\/00000-0002-6550-1696”，“authenticated-orcid”：false，“given”：“Shima”，“family”：“Shahfar”，“sequence”：“first”，“affiliation”：[]}，{“orcid”：”http://\/orcid.org\/0000-0001-5666-5026“，”authenticationed-orcid“：false”，“givin”：：“Charalambos”，“家族”：“Poullis”，“序列”：“additional”，“从属关系”：[]}]，“成员”：“297”，“在线发布”：{“date-parts”：[[2022,12,11]]}，“reference”：[{“key”：“1_CR1”，“doi-asserted-by”：“crossref”，“unstructured”：“Abdal，R.，Qin，Y.，Wonka，P.：Image2StyleGAN:如何将图像嵌入StyleGAN潜在空间？In:IEEE\/CVF国际计算机视觉会议（ICCV）（2019）论文集”，“doi”：“10.1109\/ICCV.2019.00453”}，{“key”：”1_CR2“，“doi-asserted-by”：“crossref”，“unstructured”：“Bao，J.，Chen，D.，Wen，F.，Li，H.，Hua，G.：CVAE-GAN：通过非对称训练生成细粒度图像。收录于：IEEE\/CVF CVPR，pp.2745\u20132754（2017）”，“doi”：“10.1109\/ICCV.2017.299”}，{“key”：“1_CR3”：“Bousmalis，K.，Silberman，N.，Dohan，D.，Erhan，D.Krishnan，D.：生成性对抗网络的无监督像素级域适配。In：IEEE\/CVF CVPR（2017）”，“DOI”：“10.1109\/CVPR.2017.18”}，{“key”：“1_CR4”，“非结构化”：“Chen，X.，Duan，Y.，Houthooft，R.，Schulman，J.，Sutskever，I.，Abbeel，P.：InfoGAN:通过信息最大化生成对抗网进行可解释表征学习。摘自：《第三十届神经信息处理系统国际会议论文集》，第2180\u20132188页（2016）”}，{“key”：“1_CR5”，“doi-asserted-by”：“crossref”，“非结构化”：“Choi，Y.、Choi、M.、Kim，M.、Ha，J.W.、Kim、S.、Choo，J.：StarGAN:用于多域图像到图像转换的统一生成对抗网络。In：IEEE\/CVF CVPR（2018）”，“DOI”：“10.1109\/CVPR.2018.00916”}，{“key”：“1_CR6”，“DOI-asserted-by”：“crossref”，“非结构”：“Choi，Y.，Uh，Y.，Yoo，J.，Ha，J.W.：StarGAN V2：多个领域的多样化图像合成。In：IEEE\/CFF CVPR（2020）”，“DOI”：“10.1109\/CVR42600.2020.00821”｝，｛“key”：“1_CR7”，“DOI asserted by”：“crossref”，“nonstructured”：“Cordts，M.等人：用于语义城市场景理解的城市景观数据集。In：IEEE\/CFF CVPR（2016）”，“DOI”：“10.1109\/CVPR.2016.350”}，{“key”：“1_CR8”，“unstructured”：“Dosovitskiy，A.，Djolonga，J.：你只训练一次：深度网络的有条件训练。In：学习表征国际会议（2020）”}、{“key”：”1_CR9“，“unsructured“：”Dumoulin，V.，Shlens，J.，Kudlur，M.：艺术风格的习得表征。CoRR（2016）“}，{“key”：“1_CR10”，“doi-asserted-by”：“crossref”，“unstructured”：“Esser，P.，Haux，J.，Ommer，B.：用于图像合成的潜在特征的无监督鲁棒解缠结。摘自：IEEE\/CVF CVPR，pp.2699\u20132709（2019）”，“doi”：“10.1109\/ICCV.2019.00279”}，{“密钥”：“1_CR11”，“非结构化”：“Ganin，Y.，Lempitsky，V.：基于反向传播的无监督域自适应。摘自：机器学习国际会议，第1180\u20131189页。PMLR（2015）“}，{“key”：“1_CR12”，“doi-asserted-by”：“crossref”，“unstructured”：“Gatys，L.A.，Ecker，A.S.，Bethge，M.：使用卷积神经网络的图像风格传输。In:2016 IEEE CVF\/CVPR，pp.2414\u20132423（2016）”，“doi”：“10.1109\/CVPR.2016.265”}，}“key:”“1_CR13”，“非结构化”：“Gonzalez-Garcia，A.，Van De Weijer，J.，Bengio，Y.：跨域解纠缠的图像到图像翻译。arXiv预印本arXiv:1805.09730（2018）“}，{“key”：“1_CR14”，“unstructured”：“Goodfellow，I.等人：生成对抗网络。In:NeurIPS，vol.27（2014）”}，}，“key“：”1_CR15“，“doi-asserted-by”：“crossref”，“非结构化”：“Guadarrama，S.、Dahl，R.、Bieber，D.、Norouzi，M.、Shlens，J.、Murphy，K.：像素颜色：像素递归着色。arXiv预印本arXiv:1705.07208（2017）“，”DOI“：”10.5244\/C.31.112“}，{”issue“：”11“，”key“：”1_CR16“，”首页“：”5464“，”volume“：“28”，”author“：”Z He“，”year“：”2019“，”unstructured“：”He，Z.，Zuo，W.，Kan，M.，Shan，S.，Chen，X.：AttGAN：仅通过更改所需内容进行面部属性编辑。IEEE TIP 28（11），5464\u20135478（2019年）“，”新闻标题“：”IEEE TIP“}，{“key”：“1_CR17”，“unstructured”：“Heusel，M.，Ramsauer，H.，Unterthiner，T.，Nessler，B.，Hochreiter，S.：由两个时间尺度更新规则训练的GAN收敛到局部纳什均衡。在：NeurIPS，vol.30（2017）”}中，{Higgins，I.，et al.：beta-VAE:使用约束变分框架学习基本的视觉概念。In：ICLR（2017）“}，{“issue”：“5786”，“key”：“1_CR19”，“doi-asserted-by”：“publisher”，“first page”：《504》，“doi”：“10.1126\/science.1127647”，“volume”：「313」，“author”：“GE Hinton”，“year”：“2006”，“unstructured”：“Hinton，G.E.，Salakhutdinov，R.R.：用神经网络降低数据的维数。Science 313（5786），504\u2013507（2006）“，“journal-title”：“Science”}，{“key”：“1_CR20”，“unstructured”：“Hu，Q.，Szab\u00f3，A.，Portenier，T.，Favaro，P.，Zwicker，M.：通过混合来分离变异因子。收录于：IEEE\/CVF CVPR，pp.3399\u20133407（2018）”}、{“密钥”：“2_CR21”，“doi-asserted-by”：“crossref”，“非结构化”：“Huang，X.，Belongie，S.：具有自适应实例规范化的实时任意样式传输。In:ICCV（2017）“，”DOI“：”10.1109\/ICCV.2017.167“}，{”key“：”1_CR22“，”series-title“：”计算机科学讲义“，”DOI-asserted-by“：”publisher“，”first page“：“179”，“DOI”：“10.1007\/978-3-030-01219-9_11”，“volume-title”：“Computer Vision\u2013 ECCV 2018”，“author”：“X Huang”，”year“：“2018”，”unstructured“：”Huang，X.，Liu，M.-Y.，Belongie，S.，Kautz，J.：多式无监督图像到图像的翻译。收件人：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（编辑）ECCV 2018。LNCS，第11207卷，第179\u2013196页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-01219-9_11“}，{“key”：“1_CR23”，“unstructured”：“Ioffe，S.，Szegedy，C.：批量规范化：通过减少内部协变量偏移来加速深层网络培训。In:Bach，F.，Blei，D.（eds.）第32届机器学习国际会议论文集。机器学习研究论文集，第37卷，第448\u2013456页。PMLR，Lille，France，07\u201309 July 2015“｝，｛“key”：“1_CR24”，“doi asserted by”：“crossref”，“unstructured”：“Isola，P.，Zhu，J.Y.，Zhou，T.，Efros，A.A.：带条件对抗性网络的图像到图像翻译。在：IEEE\/CFF CVPR，pp.1125\u20131134（2017）”，“doi”：“10.1109\/CVPR.2017.632”｝，｛“key”：“1_CR25”，“series title”：“《计算机科学课堂讲稿》，“doi-asserted-by”：“publisher”，“first page”：“694”，“doi”：“10.1007\/978-3-319-46475-6_43”，“volume-title”：“Computer Vision\u2013 ECCV 2016”，“author”：“J Johnson”，“year”：“2016年”，“unstructured”：“Johnson，J.，Alahi，A.，Fei-Fei，L.：实时风格传输和超分辨率的感知损失。收录人：Leibe，B.，Matas，J.，Sebe，N.，Welling，M.（编辑）ECCV 2016。LNCS，第9906卷，第694\u2013711页。查姆施普林格（2016）。https:\/\/doi.org\/10.1007\/978-3-319-46475-6_43“}，{“key”：“1_CR26”，“doi-asserted-by”：“crossref”，“unstructured”：“Kaneko，T.，Hiramatsu，K.，Kashino，K.：带条件过滤生成对抗网络的生成属性控制器。In:IEEE CVF\/CVPR，pp.7006\u20137015（2017）”，“doi”：“10.1109\/CVPR.2017.741”}，}“key”：“1_CR27”，“doi-asserted-by“：”crossref“，”unstructured“：”Karras，T.，Laine，S.，Aila，T.：生成性对抗网络的基于样式的生成器架构。收录于：IEEE CVF CVPR，pp.4401\u20134410（2019）“，“DOI”：“10.1109 CVPR.2019.00453”}，{“key”：“1_CR28”，“DOI-asserted-by”：“crossref”，“unstructured”：“Karras，T.，Laine，S.，Aittala，M.，Hellsten：“10.1109 \/CVPR42600.2020.00813“}，{“key”：“1_CR29”，“doi-asserted-by”：“crossref”，“unstructured”：“Kazemi，H.，Iranmanesh，S.M.，Nasrabadi，N.：生成性对抗网络中的风格和内容分离。摘自：2019 IEEE WACV，第848\u2013856页。IEEE（2019）“，“DOI”：“10.1109\/WACV.2019.00095”}，{“key”：“1_CR30”，“unstructured”：“Kingma，D.P.，Ba，J.：Adam:一种随机优化方法。预印本arXiv:1412.6980（2014）”}by“：”crossref“，“非结构化”：“Kotovenko，D.，Sanakoyeu，A.，Lang，S.，Ommer，B.：艺术风格转换的内容和风格分离。In:ICCV（2019）“，”DOI“：”10.1109\/ICCV.2019.00452“}，{“key”：“1_CR33”，“DOI-asserted-by”：“crossref”，“unstructured”：“Ledig，C.，et al.：使用生成对抗网络的真实感单幅图像超分辨率。In:IEEE\/CVF CVPR，pp.4681\u20134690（2017）”，“DOI”：“10.1109\/CVPR.2017.19”}，“key“：”1_CR34“，”DOI-assert-by“：”交叉参考“，”非结构化”：“Lee，C.H.，Liu，Z.，Wu，L.，Luo，P.：MaskGAN：走向多样化和交互式面部图像处理。其中：IEEE CVF\/CVPR（2020）“，”DOI“：”10.1109\/CVPR42600.2020.00559“}，{”key“：”1_CR35“，”series-title“：”计算机科学讲义“，”DOI-asserted-by“：”publisher“，”first page“：“36”，”DOI:“10.1007\/978-3-030-01246-5_3”，”volume-title“：“Computer Vision\u2013 ECCV 2018”，”author“：”H-Y Lee“，”year“：”2018“，”unstructured“：”Lee，H.-Y.，Tseng，H.-Y.，Huang，J.-B.，Singh，M.，Yang，M.-H.：通过不纠缠的表示进行多样的图像到图像的翻译。收件人：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（编辑）ECCV 2018。LNCS，第11205卷，第36\u201352页。施普林格，查姆（2018）。https:\/\/doi.org\/10.1007\/978-3-030-01246-5_3“}，{“key”：“1_CR36”，“doi-asserted-by”：“crossref”，“unstructured”：“Lee，J.，Kim，E.，Lee，Y.，Kim、D.，Chang，J.、Choo，J.：使用增强自引用和密集语义对应的基于引用的草图图像彩色化。In:IEEE\/CVF CVPR（2020）”，“doi”：“10.1109\/CVPR42600.2020.00584”}1_CR37“，”doi-asserted-by“：”crossref“，”unstructured“：”Li，Y.，Singh，K.K.，Ojha，U.，Lee，Y.J.：MixNMatch:条件图像生成的多因子解纠缠和编码。收录于：IEEE \/CVF CVPR（2020）“，”DOI“：”10.1109 \/CVPR42600.2020.00806“}，{“key”：“1_CR38”，“unstructured”：“Liu，M.Y.，Breuel，T.，Kautz，J.：无监督图像到图像转换网络。收录：Guyon，I.，et al.（eds.）NeurIPS，vol.30。Curran Associates，Inc.（2017）“}，{”key“：”1_CR39“，”doi-asserted-by“：”crossref“，”unstructured“：”Liu，M.Y.，et al.：”Few-shot unsupervised image-to-image translation.In:IEEE\/CVF CVPR（2019）“，”doi“：”10.1109\/ICCV.2019.01065“}”，{Liu，Z.，Luo，P.，Wang，X.，Tang，X.：野外深度学习人脸属性。In:ICCV（2015）“，”DOI“：”10.1109\/ICCV.2015.425“}，{“key”：“1_CR41”，“DOI-asserted-by”：“crossref”，“unstructured”：“Maggiori，E.，Tarabalka，Y.，Charpiat，G.，Alliez，P.：语义标记方法能推广到任何城市吗？INRIA航空图像标记基准。In:IEEE International Geoscience and Remote Sensing Symposium（IGARSS）。IEEE（2017）”，“DOI“：”10.1109\/IGARSS.2017.8127684“}，{“key”：“1_CR42”，“unstructured”：“Mirza，M.，Osindero，S.：条件生成对抗网。arXiv预印本arXiv:1411.1784（2014）”}，}，“key“：”1_CR43“，“unsructured“：”van den Oord，A.，Kalchbrenner，N.，Espeholt，L.，Kavukcuoglu，K.，Vinyals，O.，Graves，A.：使用PixelCNN解码器生成条件图像。In：NIPS（2016）“}，{“key”：“1_CR44”，“doi-asserted-by”：“crossref”，“unstructured”：“Park，T.，Liu，M.Y.，Wang，T.C.，Zhu，J.Y.：具有空间自适应归一化的语义图像合成。In：IEEE\/CVF CVPR（2019）”，“doi”：“10.1109\/CVPR.2019.00244”}，}Park，T.等人：交换自动编码器进行深层图像处理。In:NeurIPS（2020）“}，{“key”：“1_CR46”，“unstructured”：“Salimans，T.，Karpathy，A.，Chen，X.，Kingma，D.P.：PixelCNN++：使用离散逻辑混合似然度和其他修改改进Pixel有线电视新闻网。arXiv预印本arXiv:1701.05517（2017）”}，}，“key“：”1_CR47“，”doi-asserted-by“：”crossref“，”非结构化“：”Sangkloy，P.，Lu，J.，Fang，C.，Yu，F.，Hays，J.：书写者：用草图和颜色控制深层图像合成。其中：IEEE \/CVF CVPR（2017）“，”DOI“：”10.1109 \/CVPR.2017.723“}，{“key”：“1_CR48”，“DOI-asserted-by”：“crossref”，“unstructured”：“Singh，K.K.，Ojha，U.，Lee，Y.J.：FineGAN:用于细粒度对象生成和发现的无监督分层解缠结。其中：IEEE\/CVF-CVPR 49“，”非结构化“：”Sohn，K.，Lee，H.，Yan，X.：使用深层条件生成模型学习结构化输出表示。In:NeurIPS，第28卷，第3483\u20133491页（2015）“}，{“key”：“1_CR50”，“unstructured”：“Song，Y.，Yang，C.，Lin，Z.，Li，H.，Huang，Q.，Kuo，C.C.J.：使用多尺度特征图像翻译进行图像修复。arXiv预印本arXiv:1711.08590（2017）”}，}，“key“：”1_CR51“，“unsructured“：”Ulyanov，D.，Vedaldi，A.，Lempitsky，V.S.：实例规范化：快速风格化的缺失要素。CoRR abs \/1607.08022（2016）“}，{“key”：“1_CR52”，“unstructured”：“Van Oord，A.，Kalchbrenner，N.，Kavukcuoglu，K.：像素递归神经网络。摘自：国际机器学习会议，第1747\u20131756页。PMLR（2016）“}，{“key”：“1_CR53”，“doi-asserted-by”：“crossref”，“unstructured”：“Vincent，P.，Larochelle，H.，Bengio，Y.，Manzagol，P.A.：使用去噪自动编码器提取和合成鲁棒特征。摘自：第25届国际机器学习会议论文集，ICML 2008，第1096\u20131103页。计算机械协会，纽约（2008）“，”DOI“：”10.1145\/1390156.1390294“}，{”key“：”1_CR54“，”DOI-asserted-by“：”crossref“，”unstructured“：”Wang，T.C.，Liu，M.Y.，Zhu，J.Y.，Tao，A.，Kautz，J.，Catanzaro，B.：用条件GANs进行高分辨率图像合成和语义操作。In:IEEE CVF\/CVPR（2018）会议记录“，”DOI“：”10.1109\/CVPR.2018.00917“}，{“key”：“1_CR55”，“DOI-asserted-by”：“crossref”，“unstructured”：“Xian，W.，et al.：TextureGAN:控制带纹理补丁的深度图像合成。In:IEEE\/CVF CVPR（2018）”，“DOI”：“10.1109\/CVPR.2018.00882”}，}“key”：Xu，T.，et al.：AttnGAN：使用注意力生成对抗网络生成细粒度文本到图像。在：IEEE\/CVF CVPR（2018）”，“DOI”：“10.1109\/CVPR.2018.00143”}，｛“key”：“1_CR57”，“DOI由”断言：“crossref”，“nonstructured”：“Yeh，R.，Chen，C.，Lim，T.Y.，Hasegawa Johnson，M.，Do，M.N.：带感知和上下文损失的语义图像修复。arXiv预印本arXiv:1607.075392（3）（2016）”，“DOI”：“10.1109\/CVPR.2017.728”｝，｛“key”：“1_CR58”，”doi-asserted-by“：”crossref“，”unstructured“：”Yi，Z.，Zhang，H.，Tan，P.，Gong，M.：DualGAN：图像到图像翻译的无监督双重学习。In:ICCV（2017）“，”DOI“：”10.1109\/ICCV.2017.310“}，{“key”：“1_CR59”，“unstructured”：“Yu，F.，Zhang，Y.，Song，S.，Seff，A.，Xiao，J.：LSUN:使用循环中的人类深度学习构建大规模图像数据集。arXiv预印本arXiv:1506.03365（2015）”}，}，“key“：”1_CR60“，“unsructured“：”Yu，X.，Chen，Y.，Liu，S.，Li，T.，Li.，G.：通过学习去纠缠实现多映射图像到图像的翻译。In：NeurIPS（2019）“}，{“key”：“1_CR61”，“doi-asserted-by”：“crossref”，“unstructured”：“Zhang，B.，et al.：Deep examplar-based video colorization（2019年）”，“doi”：“10.1109\/CVPR.2019.00824”}，}，“key“：”1_CR62“，”doi-assert-by“交叉引用”，“非结构化”：“Zhang，H.，et al.：StackGAN：使用堆叠生成对抗网络的文本到照片真实感图像合成。In:ICCV（2017）“，”DOI“：”10.1109\/ICCV.2017.629“}，{“key”：“1_CR63”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhang，R.，Isola，P.，Efros，A.A.，Shechtman，E.，Wang“：”crossref“，”非结构化“：”Zhang，R.等人：实时用户引导的图像彩色化，具有学习到的深度先验知识。ACM事务处理。图表。（TOG）36（4），2013年1月11日（2017年）。美国纽约州纽约市ACM“，”DOI“：”10.1145\/3072959.3073703“}，{”key“：”1_CR65“，”DOI-asserted-by“：”crossref“，”unstructured“：”Zhang，Y.，et al.：DatasetGAN：最省力的高效标记数据工厂。In:CVPR（2021）“，”DOI“：“：”publisher“，”first page“：”597“，”DOI“：”10.1007\/978-3-319-46454-1_36“，”volume-title“：”Computer Vision\u2013 ECCV 2016“，”author“：”J-Y Zhu“，“year”：“2016”，”unstructured“：”Zhu，J.-Y.，Kr\u00e4henb\u00fchl，P.，Shechtman，E.，Efros，A.A.：对自然图像流形的生成性视觉操作。收录人：Leibe，B.，Matas，J.，Sebe，N.，Welling，M.（编辑）ECCV 2016。LNCS，第9909卷，第597\u2013613页。查姆施普林格（2016）。https:\/\/doi.org\/10.1007\/978-3-319-46454-1_36“}，{“key”：“1_CR67”，“doi-asserted-by”：“crossref”，“unstructured”：“Zhu，J.Y.，Park，T.，Isola，P.，Efros，A.A.：使用循环一致对抗网络进行未配对的图像到图像转换。In:ICCV（2017）”，“doi”：“10.1109\/ICCV.2017.244”}，}，“key“：”1_CR68“，”unstructure“：”Zhu，J.Y.，et al.：通过加强双循环一致性实现多模态图像到图像的转换。In:NeurIPS，pp.465\u2013476（2017）“}，{“key”：“1_CR69”，“doi-asserted-by”：“crossref”，“unstructured”：“Zhu，Z.，Xu，A.，You，Bai，X.：语义多模态图像合成。In:IEEE\/CVF CVPR（2020）”，“doi”：“10.1109\/CVPR42600.2020.00551”}]，“container-title”：[“视觉计算的进展”，“计算机科学的讲稿”]，“原始标题”：[]，“链接”：[｛“URL”：“https:\/\/link.springer.com\/content\/pdf\/10.1007\/978-3-031-20713-6_1”，“内容类型”：“未指定”，“内容版本”：“vor”，“预期应用程序”：“相似性检查”｝]，“存放”：｛“日期部分”：[[2022,12,10]，“日期时间”：“2022-12-10T06:09:05Z”，“时间戳”：1670652545000｝，“分数”：1，“资源”：｛“主要”：｛“URL”：“https:\/\/link.springer.com/10.1007\/978-3-031-20713-6_1”}}，“副标题”：[]，“短标题”：[]，“已发布”：{“日期-部件”：[[2022]]}，”ISBN“：[”9783031207129“，”97830.31207136“]，“引用计数”：69，“URL”：“http://\/dx.doi.org\/10007\/988-3-031-20 713-6_1”，“关系”：{}、“ISSN”：[“0302-9743”，“1611-3349”]，“ISSN-type”：[{“value”：“0302-7743”，{“value”：“1611-3349”，“type”：”electronic“}]，“subject”：[]，“published”：{“date-parts”：[[2022]]}，“assertion”：[{“value”：“2022年12月11日”，“order”：1，“name”：“first_online”，“label”：“first online”，”group“：{”name“：”ChapterHistory“，”label“：”“Chapter History，“label”：“conference acronym”，“group”：{“name”：“ConferenceInfo”，“label”：“Confection Information”}}，{“value”：“Visual Computing国际研讨会”，“order”：2，“name”：“Conference_name”，“标签”：“会议名称”，“group”：{“name”:“ConfernceInfo”：“ConferenceInfo”，“label”：“Confection Information”}}，{“value”：“USA”，“order”：4，“name”：“Conference_country”，“标签”：“会议国家”，“group”：{“name”:“ConferenceInfo”}，｛“value”：“2022年10月3日”，“order”：7，“name”：“conference_start_date”，“label”：“会议开始日期”，“group”：｛“name”：“ConferenceInfo”，“label”：“会议信息”｝｝，｛“value”：“2022年10月5日”，“order”：8，“name”：“conference_end_date”，“label”：“会议结束日期”，“group”：｛“name”：“ConferenceInfo”，“label”：“会议信息”｝｝，｛“value”：“17”，“order”：9，“name”：“conference_number”，“label”：“conference number”，“group”：{“name”:“ConferenceInfo”，”label“：“Confection Information”}}，{“value”：“isvc2022”，”order“：10，”name“：”conference_id“，”labele“：”ConferenceID“，”group“：：11，“name”：“conference_url”，“label”：“会议URL”，“group”：{“name”：“ConferenceInfo”，“label:”会议信息“}}，{“value”：“Double-blind”，“order”：1，“name”:“type”，”label“：”type“，”group“：{”name“：”ConfEventPeerReviewInformation“，”label:“Peer Review Information（由会议组织者提供）”}}，“label”：“会议管理系统”，“group”：{“name”：“ConfEventPeerReviewInformation”：“同行评议信息（由会议组织者提供）”}}，{“value”：“61”，“order”：4，“name”：“number_of_full_papers_accepted”，“label”：“已接受的全文数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“label”：”同行评议资讯（由会议主办方提供）“}}：“number_of_short_papers_accepted”，“label”：“接受的短文数”，“group”：{“name”：“ConfEventPeerReviewInformation”，“标签”：“同行评审信息（由会议组织者提供）”}}，{“value”：“55%-值由等式计算\”已接受的完整论文数\/已发送供审阅的提交数*100”，然后四舍五入为整数。“，”订单“：6，”名称“：”acceptance_rate_of_Full_Papers“，”标签“：”完整论文的接受率“，”组“：{”name“：”ConfEventPeerReviewInformation“，”label“：”同行审阅信息（由会议组织者提供）“}}，{”value“：”3“，“order”：7，“name”：“average_number_of_reviews_per_paper”，“label”：“每篇论文的平均评论数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“标签”：“同侪评论信息（由会议组织者提供）”}}，{“value”：“2-3”，“order:8，”name“average _number_ of_papers_per_reviewer”，”label“：“每位审阅者的平均论文数”，“group”：{“name”：“ConfEventPeerReviewInformation”，“label”：“同行评审信息（由会议组织者提供）”}}}]}}