Computer Vision ACCV 2018 14th Asian

Conference on Computer Vision Perth

Australia December 2 6 2018 Revised
Selected Papers Part I C. V. Jawahar
Visit to download the full and correct content document:
https://textbookfull.com/product/computer-vision-accv-2018-14th-asian-conference-on
-computer-vision-perth-australia-december-2-6-2018-revised-selected-papers-part-i-c
-v-jawahar/
More products digital (pdf, epub, mobi) instant
download maybe you interests ...

Computer Vision ACCV 2018 14th Asian Conference on

Computer Vision Perth Australia December 2 6 2018
Revised Selected Papers Part II C. V. Jawahar

https://textbookfull.com/product/computer-vision-accv-2018-14th-
asian-conference-on-computer-vision-perth-australia-
december-2-6-2018-revised-selected-papers-part-ii-c-v-jawahar/

Computer Vision ACCV 2018 14th Asian Conference on

Computer Vision Perth Australia December 2 6 2018
Revised Selected Papers Part III C. V. Jawahar

https://textbookfull.com/product/computer-vision-accv-2018-14th-
asian-conference-on-computer-vision-perth-australia-
december-2-6-2018-revised-selected-papers-part-iii-c-v-jawahar/

Computer Vision ACCV 2018 14th Asian Conference on

Computer Vision Perth Australia December 2 6 2018
Revised Selected Papers Part V C.V. Jawahar

https://textbookfull.com/product/computer-vision-accv-2018-14th-
asian-conference-on-computer-vision-perth-australia-
december-2-6-2018-revised-selected-papers-part-v-c-v-jawahar/

Computer Vision ACCV 2018 14th Asian Conference on

Computer Vision Perth Australia December 2 6 2018
Revised Selected Papers Part IV C.V. Jawahar

https://textbookfull.com/product/computer-vision-accv-2018-14th-
asian-conference-on-computer-vision-perth-australia-
december-2-6-2018-revised-selected-papers-part-iv-c-v-jawahar/
Computer Vision ACCV 2018 14th Asian Conference on
Computer Vision Perth Australia December 2 6 2018
Revised Selected Papers Part VI C.V. Jawahar

https://textbookfull.com/product/computer-vision-accv-2018-14th-
asian-conference-on-computer-vision-perth-australia-
december-2-6-2018-revised-selected-papers-part-vi-c-v-jawahar/

Computer Vision Applications Third Workshop WCVA 2018

Held in Conjunction with ICVGIP 2018 Hyderabad India
December 18 2018 Revised Selected Papers Chetan Arora

https://textbookfull.com/product/computer-vision-applications-
third-workshop-wcva-2018-held-in-conjunction-with-
icvgip-2018-hyderabad-india-december-18-2018-revised-selected-
papers-chetan-arora/

Computer Vision ECCV 2018 15th European Conference

Munich Germany September 8 14 2018 Proceedings Part I
Vittorio Ferrari

https://textbookfull.com/product/computer-vision-eccv-2018-15th-
european-conference-munich-germany-
september-8-14-2018-proceedings-part-i-vittorio-ferrari/

Computer Vision ECCV 2018 Workshops Munich Germany

September 8 14 2018 Proceedings Part V Laura Leal-Taixé

https://textbookfull.com/product/computer-vision-
eccv-2018-workshops-munich-germany-
september-8-14-2018-proceedings-part-v-laura-leal-taixe/

Pattern Recognition and Computer Vision First Chinese

Conference PRCV 2018 Guangzhou China November 23 26
2018 Proceedings Part I Jian-Huang Lai

https://textbookfull.com/product/pattern-recognition-and-
computer-vision-first-chinese-conference-prcv-2018-guangzhou-
china-november-23-26-2018-proceedings-part-i-jian-huang-lai/
 C. V. Jawahar
Hongdong Li
Greg Mori
Konrad Schindler (Eds.)
LNCS 11361

Computer Vision –
ACCV 2018
14th Asian Conference on Computer Vision
Perth, Australia, December 2–6, 2018
Revised Selected Papers, Part I
Lecture Notes in Computer Science 11361
Commenced Publication in 1973
Founding and Former Series Editors:
Gerhard Goos, Juris Hartmanis, and Jan van Leeuwen

Editorial Board Members

David Hutchison
Lancaster University, Lancaster, UK
Takeo Kanade
Carnegie Mellon University, Pittsburgh, PA, USA
Josef Kittler
University of Surrey, Guildford, UK
Jon M. Kleinberg
Cornell University, Ithaca, NY, USA
Friedemann Mattern
ETH Zurich, Zurich, Switzerland
John C. Mitchell
Stanford University, Stanford, CA, USA
Moni Naor
Weizmann Institute of Science, Rehovot, Israel
C. Pandu Rangan
Indian Institute of Technology Madras, Chennai, India
Bernhard Steffen
TU Dortmund University, Dortmund, Germany
Demetri Terzopoulos
University of California, Los Angeles, CA, USA
Doug Tygar
University of California, Berkeley, CA, USA
More information about this series at http://www.springer.com/series/7412
C. V. Jawahar Hongdong Li
• •

Greg Mori Konrad Schindler (Eds.)

•

Computer Vision –
ACCV 2018
14th Asian Conference on Computer Vision
Perth, Australia, December 2–6, 2018
Revised Selected Papers, Part I

123
Editors
C. V. Jawahar Hongdong Li
IIIT Hyderabad ANU
Hyderabad, India Canberra, ACT, Australia
Greg Mori Konrad Schindler
Simon Fraser University ETH Zurich
Burnaby, BC, Canada Zurich, Zürich, Switzerland

ISSN 0302-9743 ISSN 1611-3349 (electronic)

Lecture Notes in Computer Science
ISBN 978-3-030-20886-8 ISBN 978-3-030-20887-5 (eBook)
https://doi.org/10.1007/978-3-030-20887-5
LNCS Sublibrary: SL6 – Image Processing, Computer Vision, Pattern Recognition, and Graphics

© Springer Nature Switzerland AG 2019

This work is subject to copyright. All rights are reserved by the Publisher, whether the whole or part of the
material is concerned, specifically the rights of translation, reprinting, reuse of illustrations, recitation,
broadcasting, reproduction on microfilms or in any other physical way, and transmission or information
storage and retrieval, electronic adaptation, computer software, or by similar or dissimilar methodology now
known or hereafter developed.
The use of general descriptive names, registered names, trademarks, service marks, etc. in this publication
does not imply, even in the absence of a specific statement, that such names are exempt from the relevant
protective laws and regulations and therefore free for general use.
The publisher, the authors and the editors are safe to assume that the advice and information in this book are
believed to be true and accurate at the date of publication. Neither the publisher nor the authors or the editors
give a warranty, expressed or implied, with respect to the material contained herein or for any errors or
omissions that may have been made. The publisher remains neutral with regard to jurisdictional claims in
published maps and institutional affiliations.

This Springer imprint is published by the registered company Springer Nature Switzerland AG
The registered company address is: Gewerbestrasse 11, 6330 Cham, Switzerland
 Preface

The Asian Conference on Computer Vision (ACCV) 2018 took place in Perth,
Australia, during December 2–6, 2018. The conference featured novel research con-
tributions from almost all sub-areas of computer vision.
This year we received a record number of conference submissions. After removing
the desk rejects, 979 valid, complete manuscripts were submitted for review. A pool of
34 area chairs and 1,063 reviewers was recruited to conduct paper reviews. Like
previous editions of ACCV, we adopted a double-blind review process to determine
which of these papers to accept. Identities of authors were not visible to reviewers and
area chairs; nor were the identities of the assigned reviewers and area chairs visible to
authors. The program chairs did not submit papers to the conference.
Each paper was reviewed by at least three reviewers. Authors were permitted to
respond to the initial reviews during a rebuttal period. After this, the area chairs led
discussions among reviewers. Finally, a physical area chairs was held in Singapore,
during which panels of three area chairs deliberated to decide on acceptance decisions
for each paper. At the end of this process, 274 papers were accepted for publication in
the ACCV 2018 conference proceedings, of which five were later withdrawn by their
authors.
In addition to the main conference, ACCV 2018 featured 11 workshops and six
tutorials.
We would like to thank all the organizers, sponsors, area chairs, reviewers, and
authors. Special thanks go to Prof. Guosheng Lin from Nanyang Technological
University, Singapore, for hosting the area chair meeting. We acknowledge the support
of Microsoft’s Conference Management Toolkit (CMT) team for providing the
software used to manage the review process.
We greatly appreciate the efforts of all those who contributed to making the
conference a success.

December 2018 C. V. Jawahar

Hongdong Li
Greg Mori
Konrad Schindler
 Organization

General Chairs
Kyoung-mu Lee Seoul National University, South Korea
Ajmal Mian University of Western Australia, Australia
Ian Reid University of Adelaide, Australia
Yoichi Sato University of Tokyo, Japan

Program Chairs
C. V. Jawahar IIIT Hyderabad, India
Hongdong Li Australian National University, Australia
Greg Mori Simon Fraser University and Borealis AI, Canada
Konrad Schindler ETH Zurich, Switzerland

Advisor
Richard Hartley Australian National University, Australia

Publication Chair
Hamid Rezatofighi University of Adelaide, Australia

Local Arrangements Chairs

Guosheng Lin Nanyang Technological University, Singapore
Ajmal Mian University of Western Australia, Australia

Area Chairs
Lourdes Agapito University College London, UK
Xiang Bai Huazhong University of Science and Technology,
China
Vineeth N. IIT Hyderabad, India
Balasubramanian
Gustavo Carneiro University of Adelaide, Australia
Tat-Jun Chin University of Adelaide, Australia
Minsu Cho POSTECH, South Korea
Bohyung Han Seoul National University, South Korea
Junwei Han Northwestern Polytechnical University, China
Mehrtash Harandi Monash University, Australia
Gang Hua Microsoft Research, Asia
viii Organization

Rei Kawakami University of Tokyo, Japan

Tae-Kyun Kim Imperial College London, UK
Junseok Kwon Chung-Ang University, South Korea
Florent Lafarge Inria, France
Laura Leal-Taixé TU Munich, Germany
Zhouchen Lin Peking University, China
Yanxi Liu Penn State University, USA
Oisin Mac Aodha Caltech, USA
Anurag Mittal IIT Madras, India
Vinay Namboodiri IIT Kanpur, India
P. J. Narayanan IIIT Hyderabad, India
Carl Olsson Lund University, Sweden
Imari Sato National Institute of Informatics
Shiguang Shan Chinese Academy of Sciences, China
Chunhua Shen University of Adelaide, Australia
Boxin Shi Peking University, China
Terence Sim National University of Singapore, Singapore
Yusuke Sugano Osaka University, Japan
Min Sun National Tsing Hua University, Taiwan
Robby Tan Yale-NUS College, USA
Siyu Tang MPI for Intelligent Systems
Radu Timofte ETH Zurich, Switzerland
Jingyi Yu University of Delaware, USA
Junsong Yuan State University of New York at Buffalo, USA

Additional Reviewers

Ehsan Abbasnejad Ognjen Arandjelovic Nick Barnes

Akash Abdu Jyothi Anil Armagan Peter Barnum
Abrar Abdulnabi Chetan Arora Joe Bartels
Nagesh Adluru Mathieu Aubry Paul Beardsley
Antonio Agudo Hossein Azizpour Sima Behpour
Unaiza Ahsan Seung-Hwan Baek Vasileios Belagiannis
Hai-zhou Ai Aijun Bai Boulbaba Ben Amor
Alexandre Alahi Peter Bajcsy Archith Bency
Xavier Alameda-Pineda Amr Bakry Ryad Benosman
Andrea Albarelli Vassileios Balntas Gedas Bertasius
Mohsen Ali Yutong Ban Ross Beveridge
Saad Ali Arunava Banerjee Binod Bhattarai
Mitsuru Ambai Monami Banerjee Arnav Bhavsar
Cosmin Ancuti Atsuhiko Banno Simone Bianco
Vijay Rengarajan Angarai Aayush Bansal Oliver Bimber
Pichaikuppan Dániel Baráth Tolga Birdal
Michel Antunes Lorenzo Baraldi Horst Bischof
Djamila Aouada Adrian Barbu Arijit Biswas
 Organization ix

Soma Biswas Jiacheng Chen James Crowley

Henryk Blasinski Jianhui Chen Jinshi Cui
Vishnu Boddeti Jiansheng Chen Zhaopeng Cui
Federica Bogo Jiaxin Chen Bo Dai
Tolga Bolukbasi Jie Chen Hang Dai
Terrance Boult Kan Chen Xiyang Dai
Thierry Bouwmans Longbin Chen Yuchao Dai
Abdesselam Bouzerdoum Ting Chen Carlo Dal Mutto
Ernesto Brau Tseng-Hung Chen Zachary Daniels
Mathieu Bredif Wei Chen Mohamed Daoudi
Stefan Breuers Xi’ai Chen Abir Das
Marcus Brubaker Xiaozhi Chen Raoul De Charette
Anders Buch Xilin Chen Teofilo Decampos
Shyamal Buch Xinlei Chen Koichiro Deguchi
Pradeep Buddharaju Yunjin Chen Stefanie Demirci
Adrian Bulat Erkang Cheng Girum Demisse
Darius Burschka Hong Cheng Patrick Dendorfer
Andrei Bursuc Hui Cheng Zhiwei Deng
Zoya Bylinskii Jingchun Cheng Joachim Denzler
Weidong Cai Ming-Ming Cheng Aditya Deshpande
Necati Cihan Camgoz Wen-Huang Cheng Frédéric Devernay
Shaun Canavan Yuan Cheng Abhinav Dhall
Joao Carreira Zhi-Qi Cheng Anthony Dick
Dan Casas Loong Fah Cheong Zhengming Ding
M. Emre Celebi Anoop Cherian Cosimo Distante
Hakan Cevikalp Liang-Tien Chia Ajay Divakaran
François Chadebecq Chao-Kai Chiang Mandar Dixit
Menglei Chai Shao-Yi Chien Thanh-Toan Do
Rudrasis Chakraborty Han-Pang Chiu Jose Dolz
Tat-Jen Cham Wei-Chen Chiu Bo Dong
Kwok-Ping Chan Donghyeon Cho Chao Dong
Sharat Chandran Nam Ik Cho Jingming Dong
Chehan Chang Sunghyun Cho Ming Dong
Hyun Sung Chang Yeong-Jun Cho Weisheng Dong
Yi Chang Gyeongmin Choe Simon Donne
Wei-Lun Chao Chiho Choi Gianfranco Doretto
Visesh Chari Jonghyun Choi Bruce Draper
Gaurav Chaurasia Jongmoo Choi Bertram Drost
Rama Chellappa Jongwon Choi Liang Du
Chen Chen Hisham Cholakkal Shichuan Du
Chu-Song Chen Biswarup Choudhury Jean-Luc Dugelay
Dongdong Chen Xiao Chu Enrique Dunn
Guangyong Chen Yung-Yu Chuang Thibaut Durand
Hsin-I Chen Andrea Cohen Zoran Duric
Huaijin Chen Toby Collins Ionut Cosmin Duta
Hwann-Tzong Chen Marco Cristani Samyak Dutta
x Organization

Pinar Duygulu Ravi Garg Yang He

Ady Ecker Jochen Gast Zhenliang He
Hazim Ekenel Utkarsh Gaur Zhihai He
Sabu Emmanuel Xin Geng Felix Heide
Ian Endres David Geronimno Samitha Herath
Ertunc Erdil Michael Gharbi Luis Herranz
Hugo Jair Escalante Amir Ghodrati Anders Heyden
Sergio Escalera Behnam Gholami Je Hyeong Hong
Francisco Escolano Ruiz Andrew Gilbert Seunghoon Hong
Bin Fan Rohit Girdhar Wei Hong
Shaojing Fan Ioannis Gkioulekas Le Hou
Yi Fang Guy Godin Chiou-Ting Hsu
Aly Farag Nuno Goncalves Kuang-Jui Hsu
Giovanni Farinella Yu Gong Di Hu
Rafael Felix Stephen Gould Hexiang Hu
Michele Fenzi Venu Govindu Ping Hu
Bob Fisher Oleg Grinchuk Xu Hu
David Fofi Jiuxiang Gu Yinlin Hu
Gian Luca Foresti Shuhang Gu Zhiting Hu
Victor Fragoso Paul Guerrero De-An Huang
Bernd Freisleben Anupam Guha Gao Huang
Jason Fritts Guodong Guo Gary Huang
Cheng-Yang Fu Yanwen Guo Haibin Huang
Chi-Wing Fu Ankit Gupta Haifei Huang
Huazhu Fu Mithun Gupta Haozhi Huang
Jianlong Fu Saurabh Gupta Jia-Bin Huang
Xueyang Fu Hossein Hajimirsadeghi Shaoli Huang
Ying Fu Maciej Halber Sheng Huang
Yun Fu Xiaoguang Han Xinyu Huang
Olac Fuentes Yahong Han Xun Huang
Jan Funke Zhi Han Yan Huang
Ryo Furukawa Kenji Hara Yawen Huang
Yasutaka Furukawa Tatsuya Harada Yinghao Huang
Manuel Günther Ali Harakeh Yizhen Huang
Raghudeep Gadde Adam Harley Wei-Chih Hung
Matheus Gadelha Ben Harwood Junhwa Hur
Jürgen Gall Mahmudul Hasan Mohamed Hussein
Silvano Galliani Kenji Hata Jyh-Jing Hwang
Chuang Gan Michal Havlena Ichiro Ide
Zhe Gan Munawar Hayat Satoshi Ikehata
Vineet Gandhi Zeeshan Hayder Radu Tudor Ionescu
Arvind Ganesh Jiawei He Go Irie
Bin-Bin Gao Kun He Ahmet Iscen
Jin Gao Lei He Vamsi Ithapu
Jiyang Gao Lifang He Daisuke Iwai
Junbin Gao Pan He Won-Dong Jang
 Organization xi

Dinesh Jayaraman Salman Khan Yasir Latif

Sadeep Jayasumana Rawal Khirodkar Huu Le
Suren Jayasuriya Mehran Khodabandeh Herve Le Borgne
Hueihan Jhuang Anna Khoreva Chun-Yi Lee
Dinghuang Ji Parmeshwar Khurd Gim Hee Lee
Mengqi Ji Hadi Kiapour Seungyong Lee
Hongjun Jia Joe Kileel Teng-Yok Lee
Jiayan Jiang Edward Kim Seungkyu Lee
Qing-Yuan Jiang Gunhee Kim Andreas Lehrmann
Tingting Jiang Hansung Kim Na Lei
Xiaoyi Jiang Hyunwoo Kim Spyridon Leonardos
Zhuolin Jiang Junsik Kim Marius Leordeanu
Zequn Jie Seon Joo Kim Matt Leotta
Xiaojie Jin Vladimir Kim Gil Levi
Younghyun Jo Akisato Kimura Evgeny Levinkov
Ole Johannsen Ravi Kiran Jose Lezama
Hanbyul Joo Roman Klokov Ang Li
Jungseock Joo Takumi Kobayashi Chen Li
Kyungdon Joo Amir Kolaman Chunyuan Li
Shantanu Joshi Naejin Kong Dangwei Li
Amin Jourabloo Piotr Koniusz Dingzeyu Li
Deunsol Jung Hyung Il Koo Dong Li
Anis Kacem Dimitrios Kosmopoulos Hai Li
Ioannis Kakadiaris Gregory Kramida Jianguo Li
Zdenek Kalal Praveen Krishnan Stan Li
Nima Kalantari Ravi Krishnan Wanqing Li
Mahdi Kalayeh Hiroyuki Kubo Wei Li
Sinan Kalkan Hilde Kuehne Xi Li
Vicky Kalogeiton Jason Kuen Xirong Li
Joni-Kristian Kamarainen Arjan Kuijper Xiu Li
Martin Kampel Kuldeep Kulkarni Xuelong Li
Meina Kan Shiro Kumano Yanghao Li
Kenichi Kanatani Avinash Kumar Yin Li
Atsushi Kanehira Soumava Roy Kumar Yingwei Li
Takuhiro Kaneko Kaustav Kundu Yongjie Li
Zhuoliang Kang Sebastian Kurtek Yu Li
Mohan Kankanhalli Yevhen Kuznietsov Yuncheng Li
Vadim Kantorov Heeseung Kwon Zechao Li
Nikolaos Karianakis Alexander Ladikos Zhengqi Li
Leonid Karlinsky Kevin Lai Zhengqin Li
Zoltan Kato Wei-Sheng Lai Zhuwen Li
Hiroshi Kawasaki Shang-Hong Lai Zhouhui Lian
Wei Ke Michael Lam Jie Liang
Wadim Kehl Zhenzhong Lan Zicheng Liao
Sameh Khamis Dong Lao Jongwoo Lim
Naeemullah Khan Katrin Lasinger Ser-Nam Lim
xii Organization

Kaimo Lin Fujun Luan Domingo Mery

Shih-Yao Lin Jian-Hao Luo Pascal Mettes
Tsung-Yi Lin Jiebo Luo Jan Hendrik Metzen
Weiyao Lin Weixin Luo Gregor Miller
Yuewei Lin Khoa Luu Cai Minjie
Venice Liong Chao Ma Ikuhisa Mitsugami
Giuseppe Lisanti Huimin Ma Daisuke Miyazaki
Roee Litman Kede Ma Davide Modolo
Jim Little Lin Ma Pritish Mohapatra
Anan Liu Shugao Ma Pascal Monasse
Chao Liu Wei-Chiu Ma Sandino Morales
Chen Liu Will Maddern Pietro Morerio
Eryun Liu Ludovic Magerand Saeid Motiian
Fayao Liu Luca Magri Arsalan Mousavian
Huaping Liu Behrooz Mahasseni Mikhail Mozerov
Jingen Liu Tahmida Mahmud Yasuhiro Mukaigawa
Lingqiao Liu Robert Maier Yusuke Mukuta
Miaomiao Liu Subhransu Maji Mario Munich
Qingshan Liu Yasushi Makihara Srikanth Muralidharan
Risheng Liu Clement Mallet Ana Murillo
Sifei Liu Abed Malti Vittorio Murino
Tyng-Luh Liu Devraj Mandal Armin Mustafa
Weiyang Liu Fabian Manhardt Hajime Nagahara
Xialei Liu Gian Luca Marcialis Shruti Nagpal
Xianglong Liu Julio Marco Mahyar Najibi
Xiao Liu Diego Marcos Katsuyuki Nakamura
Yebin Liu Ricardo Martin Seonghyeon Nam
Yi Liu Tanya Marwah Loris Nanni
Yu Liu Marc Masana Manjunath Narayana
Yun Liu Jonathan Masci Lakshmanan Nataraj
Ziwei Liu Takeshi Masuda Neda Nategh
Stephan Liwicki Yusuke Matsui Lukáš Neumann
Liliana Lo Presti Tetsu Matsukawa Shawn Newsam
Fotios Logothetis Gellert Mattyus Joe Yue-Hei Ng
Javier Lorenzo Thomas Mauthner Thuyen Ngo
Manolis Lourakis Bruce Maxwell David Nilsson
Brian Lovell Steve Maybank Ji-feng Ning
Chen Change Loy Amir Mazaheri Mark Nixon
Chaochao Lu Scott Mccloskey Shohei Nobuhara
Feng Lu Mason Mcgill Hyeonwoo Noh
Huchuan Lu Nazanin Mehrasa Mehdi Noroozi
Jiajun Lu Ishit Mehta Erfan Noury
Kaiyue Lu Xue Mei Eyal Ofek
Xin Lu Heydi Mendez-Vazquez Seong Joon Oh
Yijuan Lu Gaofeng Meng Seoung Wug Oh
Yongxi Lu Bjoern Menze Katsunori Ohnishi
 Organization xiii

Iason Oikonomidis Sudeep Pillai Hamed Rezazadegan

Takeshi Oishi Wong Ya Ping Tavakoli
Takahiro Okabe Lerrel Pinto Rafael Rezende
Takayuki Okatani Fiora Pirri Helge Rhodin
Gustavo Olague Matteo Poggi Alexander Richard
Kyle Olszewski Georg Poier Stephan Richter
Mohamed Omran Marius Popescu Gernot Riegler
Roy Or-El Ronald Poppe Christian Riess
Ivan Oseledets Dilip Prasad Ergys Ristani
Martin R. Oswald Andrea Prati Tobias Ritschel
Tomas Pajdla Maria Priisalu Mariano Rivera
Dipan Pal Véronique Prinet Antonio Robles-Kelly
Kalman Palagyi Victor Prisacariu Emanuele Rodola
Manohar Paluri Hugo Proenca Andres Rodriguez
Gang Pan Jan Prokaj Mikel Rodriguez
Jinshan Pan Daniel Prusa Matteo Ruggero Ronchi
Yannis Panagakis Yunchen Pu Xuejian Rong
Rameswar Panda Guo-Jun Qi Bodo Rosenhahn
Hsing-Kuo Pao Xiaojuan Qi Arun Ross
Dim Papadopoulos Zhen Qian Peter Roth
Konstantinos Papoutsakis Yu Qiao Michel Roux
Shaifali Parashar Jie Qin Ryusuke Sagawa
Hyun Soo Park Lei Qin Hideo Saito
Jinsun Park Chao Qu Shunsuke Saito
Taesung Park Faisal Qureshi Parikshit Sakurikar
Wonpyo Park Petia Radeva Albert Ali Salah
Alvaro Parra Bustos Venkatesh Babu Jorge Sanchez
Geoffrey Pascoe Radhakrishnan Conrad Sanderson
Ioannis Patras Ilija Radosavovic Aswin Sankaranarayanan
Genevieve Patterson Bogdan Raducanu Swami Sankaranarayanan
Georgios Pavlakos Hossein Rahmani Archana Sapkota
Ioannis Pavlidis Swaminathan Rahul Michele Sasdelli
Nick Pears Ajit Rajwade Jun Sato
Pieter Peers Kandan Ramakrishnan Shin’ichi Satoh
Selen Pehlivan Visvanathan Ramesh Torsten Sattler
Xi Peng Yongming Rao Manolis Savva
Xingchao Peng Sathya Ravi Tanner Schmidt
Janez Perš Michael Reale Dirk Schnieders
Talita Perciano Adria Recasens Samuel Schulter
Adrian Peter Konstantinos Rematas Rajvi Shah
Lars Petersson Haibing Ren Shishir Shah
Stavros Petridis Jimmy Ren Sohil Shah
Patrick Peursum Wenqi Ren Moein Shakeri
Trung Pham Zhile Ren Nataliya Shapovalova
Sang Phan Edel Garcia Reyes Aidean Sharghi
Marco Piccirilli Hamid Rezatofighi Gaurav Sharma
xiv Organization

Pramod Sharma Jong-Chyi Su Kinh Tieu

Li Shen Shuochen Su Massimo Tistarelli
Shuhan Shen Yu-Chuan Su Henning Tjaden
Wei Shen Zhixun Su Matthew Toews
Xiaoyong Shen Ramanathan Subramanian Chetan Tonde
Zhiqiang Shen Akihiro Sugimoto Akihiko Torii
Lu Sheng Waqas Sultani Andrea Torsello
Baoguang Shi Jiande Sun Toan Tran
Guangming Shi Jin Sun Leonardo Trujillo
Miaojing Shi Ju Sun Tomasz Trzcinski
Zhiyuan Shi Lin Sun Sam Tsai
Takashi Shibata Min Sun Yi-Hsuan Tsai
Huang-Chia Shih Yao Sun Ivor Tsang
Meng-Li Shih Zhaohui Sun Vagia Tsiminaki
Sheng-Wen Shih David Suter Aggeliki Tsoli
Atsushi Shimada Tanveer Syeda-Mahmood Wei-Chih Tu
Nobutaka Shimada Yuichi Taguchi Shubham Tulsiani
Daeyun Shin Jun Takamatsu Sergey Tulyakov
Young Min Shin Takafumi Taketomi Tony Tung
Koichi Shinoda Hugues Talbot Matt Turek
Tianmin Shu Youssef Tamaazousti Seiichi Uchida
Zhixin Shu Toru Tamak Oytun Ulutan
Bing Shuai Robert Tamburo Martin Urschler
Karan Sikka Chaowei Tan Mikhail Usvyatsov
Jack Sim David Joseph Tan Alexander Vakhitov
Marcel Simon Ping Tan Julien Valentin
Tomas Simon Xiaoyang Tan Ernest Valveny
Vishwanath Sindagi Kenichiro Tanaka Ian Van Der Linde
Gurkirt Singh Masayuki Tanaka Kiran Varanasi
Maneet Singh Jinhui Tang Gul Varol
Praveer Singh Meng Tang Francisco Vasconcelos
Ayan Sinha Peng Tang Pascal Vasseur
Sudipta Sinha Wei Tang Javier Vazquez-Corral
Vladimir Smutny Yuxing Tang Ashok Veeraraghavan
Francesco Solera Junli Tao Andreas Velten
Amir Arsalan Soltani Xin Tao Raviteja Vemulapalli
Eric Sommerlade Makarand Tapaswi Jonathan Ventura
Andy Song Jean-Philippe Tarel Subhashini Venugopalan
Shiyu Song Keisuke Tateno Yashaswi Verma
Yibing Song Joao Tavares Matthias Vestner
Humberto Sossa Bugra Tekin Minh Vo
Concetto Spampinato Mariano Tepper Jayakorn Vongkulbhisal
Filip Šroubek Ali Thabet Toshikazu Wada
Ioannis Stamos Spiros Thermos Chengde Wan
Jan Stuehmer Shangxuan Tian Jun Wan
Jingyong Su Yingli Tian Renjie Wan
 Organization xv

Baoyuan Wang Ping Wei Jun Xu

Chaohui Wang Shih-En Wei Ning Xu
Chaoyang Wang Wei Wei Tao Xu
Chunyu Wang Xiu-Shen Wei Weipeng Xu
De Wang Zijun Wei Xiangmin Xu
Dong Wang Bihan Wen Xiangyu Xu
Fang Wang Longyin Wen Yong Xu
Faqiang Wang Xinshuo Weng Yuanlu Xu
Hongsong Wang Tom Whelan Jia Xue
Hongxing Wang Patrick Wieschollek Xiangyang Xue
Hua Wang Maggie Wigness Toshihiko Yamasaki
Jialei Wang Jerome Williams Junchi Yan
Jianyu Wang Kwan-Yee Wong Luxin Yan
Jinglu Wang Chao-Yuan Wu Wang Yan
Jinqiao Wang Chunpeng Wu Keiji Yanai
Keze Wang Dijia Wu Bin Yang
Le Wang Jiajun Wu Chih-Yuan Yang
Lei Wang Jianxin Wu Dong Yang
Lezi Wang Xiao Wu Herb Yang
Lijun Wang Xiaohe Wu Jianwei Yang
Limin Wang Xiaomeng Wu Jie Yang
Linwei Wang Xinxiao Wu Jin-feng Yang
Pichao Wang Yi Wu Jufeng Yang
Qi Wang Ying Nian Wu Meng Yang
Qian Wang Yue Wu Ming Yang
Qilong Wang Zheng Wu Ming-Hsuan Yang
Qing Wang Zhirong Wu Tien-Ju Yang
Ruiping Wang Jonas Wulff Wei Yang
Shangfei Wang Yin Xia Wenhan Yang
Shuhui Wang Yongqin Xian Yanchao Yang
Song Wang Yu Xiang Yingzhen Yang
Tao Wang Fanyi Xiao Yongxin Yang
Tsun-Hsuang Wang Yang Xiao Zhenheng Yang
Weiyue Wang Dan Xie Angela Yao
Wenguan Wang Jianwen Xie Bangpeng Yao
Xiaoyu Wang Jin Xie Cong Yao
Xinchao Wang Fuyong Xing Jian Yao
Xinggang Wang Jun Xing Jiawen Yao
Yang Wang Junliang Xing Yasushi Yagi
Yin Wang Xuehan Xiong Mang Ye
Yu-Chiang Frank Wang Yuanjun Xiong Mao Ye
Yufei Wang Changsheng Xu Qixiang Ye
Yunhong Wang Chenliang Xu Mei-Chen Yeh
Zhangyang Wang Haotian Xu Sai-Kit Yeung
Zilei Wang Huazhe Xu Kwang Moo Yi
Jan Dirk Wegner Huijuan Xu Alper Yilmaz
xvi Organization

Xi Yin Jiawei Zhang Yinqiang Zheng

Zhaozheng Yin Jing Zhang Yuanjie Zheng
Xianghua Ying Kaipeng Zhang Zhonglong Zheng
Ryo Yonetani Ke Zhang Guangyu Zhong
Donghyun Yoo Liang Zhang Huiyu Zhou
Jae Shin Yoon Linguang Zhang Jiahuan Zhou
Ryota Yoshihashi Liqing Zhang Jun Zhou
Gang Yu Peng Zhang Luping Zhou
Hongkai Yu Pingping Zhang Mo Zhou
Ruichi Yu Quanshi Zhang Pan Zhou
Shiqi Yu Runze Zhang Yang Zhou
Xiang Yu Shanghang Zhang Zihan Zhou
Yang Yu Shu Zhang Fan Zhu
Youngjae Yu Tianzhu Zhang Guangming Zhu
Chunfeng Yuan Tong Zhang Hao Zhu
Jing Yuan Wen Zhang Hongyuan Zhu
Junsong Yuan Xiaofan Zhang Lei Zhu
Shanxin Yuan Xiaoqin Zhang Menglong Zhu
Zejian Yuan Xikang Zhang Pengfei Zhu
Xenophon Zabulis Xu Zhang Shizhan Zhu
Mihai Zanfir Ya Zhang Siyu Zhu
Pablo Zegers Yinda Zhang Xiangxin Zhu
Jiabei Zeng Yongqiang Zhang Yi Zhu
Kuo-Hao Zeng Zhang Zhang Yizhe Zhu
Baochang Zhang Zhen Zhang Yuke Zhu
Cha Zhang Zhoutong Zhang Zhigang Zhu
Chao Zhang Ziyu Zhang Bohan Zhuang
Dingwen Zhang Bin Zhao Liansheng Zhuang
Dong Zhang Bo Zhao Karel Zimmermann
Guofeng Zhang Chen Zhao Maria Zontak
Hanwang Zhang Hengshuang Zhao Danping Zou
He Zhang Qijun Zhao Qi Zou
Hong Zhang Rui Zhao Wangmeng Zuo
Honggang Zhang Heliang Zheng Xinxin Zuo
Hua Zhang Shuai Zheng
Jian Zhang Stephan Zheng
 Contents – Part I

Oral Session O1: Learning

Dual Generator Generative Adversarial Networks for Multi-domain

Image-to-Image Translation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Hao Tang, Dan Xu, Wei Wang, Yan Yan, and Nicu Sebe

Pioneer Networks: Progressively Growing Generative Autoencoder . . . . . . . . 22

Ari Heljakka, Arno Solin, and Juho Kannala

Editable Generative Adversarial Networks: Generating and Editing

Faces Simultaneously . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Kyungjune Baek, Duhyeon Bang, and Hyunjung Shim

Cross Connected Network for Efficient Image Recognition. . . . . . . . . . . . . . 56

Lu Yang, Qing Song, Zuoxin Li, Yingqi Wu, Xiaojie Li, and Mengjie Hu

Answer Distillation for Visual Question Answering . . . . . . . . . . . . . . . . . . . 72

Zhiwei Fang, Jing Liu, Qu Tang, Yong Li, and Hanqing Lu

Spiral-Net with F1-Based Optimization for Image-Based Crack Detection . . . 88

Takumi Kobayashi

Flex-Convolution: Million-Scale Point-Cloud Learning

Beyond Grid-Worlds . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
Fabian Groh, Patrick Wieschollek, and Hendrik P. A. Lensch

Poster Session P1

Extreme Reverse Projection Learning for Zero-Shot Recognition. . . . . . . . . . 125

Jiechao Guan, An Zhao, and Zhiwu Lu

A Defect Inspection Method for Machine Vision Using Defect Probability

Image with Deep Convolutional Neural Network . . . . . . . . . . . . . . . . . . . . 142
Chanhee Jang, Sangyun Yun, Hyejin Hwang, Hyunmin Shin,
SeongSoo Kim, and Yangsub Park

3D Pick & Mix: Object Part Blending in Joint Shape

and Image Manifolds. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
Adrian Penate-Sanchez and Lourdes Agapito

Minutiae-Based Gender Estimation for Full and Partial Fingerprints

of Arbitrary Size and Shape . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
Philipp Terhörst, Naser Damer, Andreas Braun, and Arjan Kuijper
xviii Contents – Part I

Simultaneous Face Detection and Head Pose Estimation: A Fast

and Unified Framework . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
Tingfeng Li and Xu Zhao

Progressive Feature Fusion Network for Realistic Image Dehazing . . . . . . . . 203

Kangfu Mei, Aiwen Jiang, Juncheng Li, and Mingwen Wang

Semi-supervised Learning for Face Sketch Synthesis in the Wild . . . . . . . . . 216

Chaofeng Chen, Wei Liu, Xiao Tan, and Kwan-Yee K. Wong

Evolvement Constrained Adversarial Learning for Video Style Transfer . . . . . 232

Wenbo Li, Longyin Wen, Xiao Bian, and Siwei Lyu

An Unsupervised Deep Learning Framework via Integrated Optimization

of Representation Learning and GMM-Based Modeling . . . . . . . . . . . . . . . . 249
Jinghua Wang and Jianmin Jiang

Recovering Affine Features from Orientation- and Scale-Invariant Ones. . . . . 266

Daniel Barath

Totally Looks Like - How Humans Compare, Compared to Machines . . . . . . 282

Amir Rosenfeld, Markus D. Solbach, and John K. Tsotsos

Generation of Virtual Dual Energy Images from Standard Single-Shot

Radiographs Using Multi-scale and Conditional Adversarial Network . . . . . . 298
Bo Zhou, Xunyu Lin, Brendan Eck, Jun Hou, and David Wilson

GD-GAN: Generative Adversarial Networks for Trajectory Prediction

and Group Detection in Crowds . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 314
Tharindu Fernando, Simon Denman, Sridha Sridharan,
and Clinton Fookes

Multi-level Sequence GAN for Group Activity Recognition . . . . . . . . . . . . . 331

Harshala Gammulle, Simon Denman, Sridha Sridharan,
and Clinton Fookes

Spatio-Temporal Fusion Networks for Action Recognition . . . . . . . . . . . . . . 347

Sangwoo Cho and Hassan Foroosh

Image2Mesh: A Learning Framework for Single Image

3D Reconstruction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 365
Jhony K. Pontes, Chen Kong, Sridha Sridharan, Simon Lucey,
Anders Eriksson, and Clinton Fookes

Face Completion with Semantic Knowledge and Collaborative

Adversarial Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 382
Haofu Liao, Gareth Funka-Lea, Yefeng Zheng, Jiebo Luo,
and S. Kevin Zhou
 Contents – Part I xix

Water-Filling: An Efficient Algorithm for Digitized Document

Shadow Removal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 398
Seungjun Jung, Muhammad Abul Hasan, and Changick Kim

Matchable Image Retrieval by Learning from Surface Reconstruction . . . . . . 415

Tianwei Shen, Zixin Luo, Lei Zhou, Runze Zhang, Siyu Zhu, Tian Fang,
and Long Quan

Thinking Outside the Box: Generation of Unconstrained 3D

Room Layouts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 432
Henry Howard-Jenkins, Shuda Li, and Victor Prisacariu

VIENA2 : A Driving Anticipation Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . 449

Mohammad Sadegh Aliakbarian, Fatemeh Sadat Saleh,
Mathieu Salzmann, Basura Fernando, Lars Petersson,
and Lars Andersson

Multilevel Collaborative Attention Network for Person Search . . . . . . . . . . . 467

Wenbo Li, Ze Chen, Zhenyong Fu, and Hongtao Lu

Enhancing Perceptual Attributes with Bayesian Style Generation. . . . . . . . . . 483

Aliaksandr Siarohin, Gloria Zen, Nicu Sebe, and Elisa Ricci

Deep Convolutional Compressed Sensing for LiDAR Depth Completion . . . . 499

Nathaniel Chodosh, Chaoyang Wang, and Simon Lucey

Learning for Video Super-Resolution Through HR Optical

Flow Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 514
Longguang Wang, Yulan Guo, Zaiping Lin, Xinpu Deng, and Wei An

Deep Multiple Instance Learning for Zero-Shot Image Tagging. . . . . . . . . . . 530

Shafin Rahman and Salman Khan

Zero-Shot Object Detection: Learning to Simultaneously Recognize

and Localize Novel Concepts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 547
Shafin Rahman, Salman Khan, and Fatih Porikli

Vision-Based Freezing of Gait Detection with Anatomic Patch

Based Representation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 564
Kun Hu, Zhiyong Wang, Kaylena Ehgoetz Martens, and Simon Lewis

Fast Video Shot Transition Localization with Deep Structured Models. . . . . . 577
Shitao Tang, Litong Feng, Zhanghui Kuang, Yimin Chen,
and Wei Zhang

Traversing Latent Space Using Decision Ferns . . . . . . . . . . . . . . . . . . . . . . 593

Yan Zuo, Gil Avraham, and Tom Drummond
xx Contents – Part I

Parallel Convolutional Networks for Image Recognition

via a Discriminator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 609
Shiqi Yang and Gang Peng

ENG: End-to-End Neural Geometry for Robust Depth and Pose Estimation
Using CNNs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 625
Thanuja Dharmasiri, Andrew Spek, and Tom Drummond

Multi-scale Adaptive Structure Network for Human Pose Estimation

from Color Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 643
Wenlin Zhuang, Cong Peng, Siyu Xia, and Yangang Wang

Full Explicit Consistency Constraints in Uncalibrated Multiple

Homography Estimation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 659
Wojciech Chojnacki and Zygmunt L. Szpak

A New Method for Computing the Principal Point of an Optical Sensor

by Means of Sphere Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 676
Rudi Penne, Bart Ribbens, and Steven Puttemans

NightOwls: A Pedestrians at Night Dataset . . . . . . . . . . . . . . . . . . . . . . . . . 691

Lukáš Neumann, Michelle Karg, Shanshan Zhang,
Christian Scharfenberger, Eric Piegert, Sarah Mistr, Olga Prokofyeva,
Robert Thiel, Andrea Vedaldi, Andrew Zisserman, and Bernt Schiele

Multi-view Consensus CNN for 3D Facial Landmark Placement . . . . . . . . . . 706

Rasmus R. Paulsen, Kristine Aavild Juhl, Thilde Marie Haspang,
Thomas Hansen, Melanie Ganz, and Gudmundur Einarsson

Author Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 721

Oral Session O1: Learning
 Dual Generator Generative Adversarial
Networks for Multi-domain
Image-to-Image Translation

Hao Tang1(B) , Dan Xu2 , Wei Wang3 , Yan Yan4 , and Nicu Sebe1
1
University of Trento, Trento, Italy
hao.tang@unitn.it
2
University of Oxford, Oxford, UK
3
École Polytechnique Fédérale de Lausanne, Lausanne, Switzerland
4
Texas State University, San Marcos, USA

Abstract. State-of-the-art methods for image-to-image translation with

Generative Adversarial Networks (GANs) can learn a mapping from one
domain to another domain using unpaired image data. However, these
methods require the training of one specific model for every pair of image
domains, which limits the scalability in dealing with more than two
image domains. In addition, the training stage of these methods has
the common problem of model collapse that degrades the quality of the
generated images. To tackle these issues, we propose a Dual Generator
Generative Adversarial Network (G2 GAN), which is a robust and scal-
able approach allowing to perform unpaired image-to-image translation
for multiple domains using only dual generators within a single model.
Moreover, we explore different optimization losses for better training of
G2 GAN, and thus make unpaired image-to-image translation with higher
consistency and better stability. Extensive experiments on six publicly
available datasets with different scenarios, i.e., architectural buildings,
seasons, landscape and human faces, demonstrate that the proposed
G2 GAN achieves superior model capacity and better generation perfor-
mance comparing with existing image-to-image translation GAN models.

Keywords: Generative Adversarial Network ·

Image-to-image translation · Unpaired data · Multi-domain

1 Introduction
Generative Adversarial Networks (GANs) [6] have recently received consider-
able attention in various communities, e.g., computer vision, natural language
processing and medical analysis. GANs are generative models which are par-
ticularly designed for image generation tasks. Recent works have been able
This work was supported by NIST 60NANB17D191. We gratefully acknowledge the gift
donations of Cisco, Inc. and the support of NVIDIA Corporation with the donation of
the GPUs used for this research. This article solely reflects the opinions and conclusions
of its authors and neither NIST, Cisco, nor NVIDIA.
c Springer Nature Switzerland AG 2019
C. V. Jawahar et al. (Eds.): ACCV 2018, LNCS 11361, pp. 3–21, 2019.
https://doi.org/10.1007/978-3-030-20887-5_1
4 H. Tang et al.

Fig. 1. A motivation illustration of the proposed G2 GAN (c) compared with CycleGAN
(a) [49] and StarGAN [5] (b). For the multi-domain image-to-image generation task
w.r.t. m image domains, CycleGAN needs to train m(m − 1) generator/discriminator
pairs, while the proposed G2 GAN only needs to train dual generators and one discrim-
inator. StarGAN [5] shares the same generator for both the translation and reconstruc-
tion tasks, while G2 GAN employs task-specific generators (Gt and Gr ) which allow for
different network designs and different levels of parameter sharing.

to yield promising image-to-image translation performance (e.g., pix2pix [8]

and BicycleGAN [50]) in a supervised setting given carefully annotated image
pairs. However, pairing the training data is usually difficult and costly. The
situation becomes even worse when dealing with tasks such as artistic styl-
ization, since the desired output is very complex, typically requiring artistic
authoring. To tackle this problem, several GAN approaches, such as Cycle-
GAN [49], DualGAN [47], DiscoGAN [10], ComboGAN [1] and DistanceGAN
[3], aim to effectively learn a hidden mapping from one image domain to another
image domain with unpaired image data. However, these cross-modal transla-
tion frameworks are not efficient for multi-domain image-to-image translation.
For instance, given m image domains, pix2pix and BicycleGAN require the
training of A2m = m(m − 1) = Θ(m2 ) models; CycleGAN, DiscoGAN, Dis-
tanceGAN and DualGAN need Cm 2
= m(m−1)
2 = Θ(m2 ) models or m(m − 1)
generator/discriminator pairs; ComboGAN requires Θ(m) models.
To overcome the aforementioned limitation, Choi et al. propose StarGAN [5]
(Fig. 1(b)), which can perform multi-domain image-to-image translation using
only one generator/discriminator pair with the aid of an auxiliary classifier [25].
More formally, let X and Y represent training sets of two different domains, and
x ∈ X and y ∈ Y denote training images in domain X and domain Y , respec-
tively; let zy and zx indicate category labels of domain Y and X, respectively.
StarGAN utilizes the same generator G twice for translating from X to Y with
the labels zy , i.e., G(x, zy ) ≈ y, and reconstructs the input x from the trans-
lated output G(x, zy ) and the label zx , i.e., G(G(x, zy ), zx ) ≈ x. In doing so, the
same generator shares a common mapping and data structures for two different
tasks, i.e., translation and reconstruction. However, since each task has unique
 G2 GAN for Multi-domain Image-to-Image Translation 5

information and distinct targets, it is harder to optimize the generator and to

make it gain good generalization ability on both tasks, which usually leads to
blurred generation results.
In this paper, we propose a novel Dual Generator Generative Adversarial
Network (G2 GAN) (Fig. 1(c)). Unlike StarGAN, G2 GAN consists of two gen-
erators and one discriminator, the translation generator Gt transforms images
from X to Y , and the reconstruction generator Gr uses the generated images
from Gt and the original domain label zx to reconstruct the original x. Gener-
ators Gt and Gr cope with different tasks, and the input data distribution for
them is different. The input of Gt is a real image and a target domain label.
The goal of Gt is to generate the target domain image. While Gr accepts a
generated image and an original domain label as input, the goal of Gr is to
generate an original image. For Gt and Gr , the input images are a real image
and a generated image, respectively. Therefore, it is intuitive to design different
network structures for the two generators. The two generators are allowed to use
different network designs and different levels of parameter sharing according to
the diverse difficulty of the tasks. In this way, each generator can have its own
network parts which usually helps to learn better each task-specific mapping in
a multi-task setting [31].
To overcome the model collapse issue in training G2 GAN for the multi-
domain translation, we further explore different objective losses for better opti-
mization. The proposed losses include (i) a color cycle-consistency loss which
targets solving the “channel pollution” problem [39] by generating red, green,
blue channels separately instead of generating all three at one time, (ii) a multi-
scale SSIM loss, which preserves the information of luminance, contrast and
structure between generated images and input images across different scales,
and (iii) a conditional identity preserving loss, which helps retaining the identity
information of the input images. These losses are jointly embedded in G2 GAN for
training and help generating results with higher consistency and better stability.
In summary, the contributions of this paper are as follows:

• We propose a novel Dual Generator Generative Adversarial Network

(G2 GAN), which can perform unpaired image-to-image translation among
multiple image domains. The dual generators, allowing different network
structures and different-level parameter sharing, are designed to specifically
cope with the translation and the reconstruction tasks, which facilitates
obtaining a better generalization ability of the model to improve the gen-
eration quality.
• We explore jointly utilizing different objectives for a better optimization of the
proposed G2 GAN, and thus obtaining unpaired multi-modality translation
with higher consistency and better stability.
• We extensively evaluate G2 GAN on six different datasets in different sce-
narios, such as architectural buildings, seasons, landscape and human faces,
demonstrating its superiority in model capacity and its better generation
performance compared with state-of-the-art methods on the multi-domain
image-to-image translation task.
6 H. Tang et al.

2 Related Work
Generative Adversarial Networks (GANs) [6] are powerful generative
models, which have achieved impressive results on different computer vision
tasks, e.g., image generation [26,35], editing [4,36] and inpainting [15,46]. How-
ever, GANs are difficult to train, since it is hard to keep the balance between
the generator and the discriminator, which makes the optimization oscillate and
thus leading to a collapse of the generator. To address this, several solutions
have been proposed recently, such as Wasserstein GAN [2] and Loss-Sensitive
GAN [28]. To generate more meaningful images, CGAN [23] has been proposed
to employ conditioned information to guide the image generation. Extra informa-
tion can also be used such as discrete category labels [16,27], text descriptions
[20,29], object/face keypoints [30,41], human skeleton [37,39] and referenced
images [8,14]. CGAN models have been successfully used in various applications,
such as image editing [27], text-to-image translation [20] and image-to-image
translation [8] tasks.
Image-to-Image Translation. CGAN models learn a translation between
image inputs and image outputs using neutral networks. Isola et al. [8] design
the pix2pix framework which is a conditional framework using a CGAN to learn
the mapping function. Based on pix2pix, Zhu et al. [50] further present Bicycle-
GAN which achieves multi-modal image-to-image translation using paired data.
Similar ideas have also been applied to many other tasks, e.g. generating pho-
tographs from sketches [33]. However, most of the models require paired training
data, which are usually costly to obtain.
Unpaired Image-to-Image Translation. To alleviate the issue of pairing
training data, Zhu et al. [49] introduce CycleGAN, which learns the mappings
between two unpaired image domains without supervision with the aid of a
cycle-consistency loss. Apart from CycleGAN, there are other variants proposed
to tackle the problem. For instance, CoupledGAN [18] uses a weight-sharing
strategy to learn common representations across domains. Taigman et al. [38]
propose a Domain Transfer Network (DTN) which learns a generative function
between one domain and another domain. Liu et al. [17] extend the basic struc-
ture of GANs via combining the Variational Autoencoders (VAEs) and GANs. A
novel DualGAN mechanism is demonstrated in [47], in which image translators
are trained from two unlabeled image sets each representing an image domain.
Kim et al. [10] propose a method based on GANs that learns to discover rela-
tions between different domains. However, these models are only suitable in
cross-domain translation problems.
Multi-domain Unpaired Image-to-Image Translation. There are only
very few recent methods attempting to implement multi-modal image-to-image
translation in an efficient way. Anoosheh et al. propose a ComboGAN model [1],
which only needs to train m generator/discriminator pairs for m different image
domains. To further reduce the model complexity, Choi et al. introduce StarGAN
[5], which has a single generator/discriminator pair and is able to perform the
 G2 GAN for Multi-domain Image-to-Image Translation 7

task with a complexity of Θ(1). Although the model complexity is low, jointly
learning both the translation and reconstruction tasks with the same gener-
ator requires the sharing of all parameters, which increases the optimization
complexity and reduces the generalization ability, thus leading to unsatisfactory
generation performance. The proposed approach aims at obtaining a good bal-
ance between the model capacity and the generation quality. Along this research
line, we propose a Dual Generator Generative Adversarial Network (G2 GAN),
which achieves this target via using two task-specific generators and one dis-
criminator. We also explore various optimization objectives to train better the
model to produce more consistent and more stable results.

3 G2 GAN: Dual Generator Generative Adversary

Networks
We first start with the model formulation of G2 GAN, and then introduce the
proposed objectives for better optimization of the model, and finally present the
implementation details of the whole model including network architecture and
training procedure.

Fig. 2. The framework of G2 GAN. zx and zy indicate the category labels of domain X
and Y , respectively. Gt and Gr are task-specific generators. The generator Gt converts
images from domain X into domain Y and the generator Gr inputs the generated
image Gt (x, zy ) and the original domain label zx and attempts to reconstruct the
original image x during the optimization with the proposed different objective losses.
8 H. Tang et al.

3.1 Model Formulation

In this work, we focus on the multi-domain image-to-image translation task

with unpaired training data. The overview of the proposed G2 GAN is depicted
in Fig. 2. The proposed G2 GAN model is specifically designed for tackling the
multi-domain translation problem with significant advantages in the model com-
plexity and in the training overhead compared with the cross-domain generation
models, such as CycleGAN [49], DiscoGAN [10] and DualGAN [47], which need
to separately train Cm 2
= m(m−1)
2 models for m different image domains, while
ours only needs to train a single model. To directly compare with StarGAN [5],
which simply employs the same generator for the different reconstruction and
translation tasks. However, the training of a single generator model for multiple
domains is a challenging problem (refer to Sect. 4), we proposed a more effective
dual generator network structure and more robust optimization objectives to
stabilize the training process. Our work focuses on exploring different strategies
to improve the optimization of the multi-domain model aiming to give useful
insights in the design of more effective multi-domain generators.
Our goal is to learn all the mappings among multiple domains using dual
generators and one discriminator. To achieve this target, we train a translation
generator Gt to convert an input image x into an output image y which is condi-
tioned on the target domain label zy , i.e. Gt (x, zy )→y. Then the reconstruction
generator Gr accepts the generated image Gt (x, zy ) and the original domain label
zx as input, and learns to reconstruct the input image x, i.e. Gr (Gt (x, zy ), zx )→x
through the proposed different optimization losses, including the color cycle-
consistency loss for solving the “channel pollution” issue and the MS-SSIM loss
for preserving the information of luminance, contrast and structure across scales.
The dual generators are task-specific generators which allows for different net-
work designs and different levels of parameter sharing for learning better the
generators. The discriminator D tries to distinguish between the real image y
and the generated image Gt (x, zy ), and to classify the generated image Gt (x, zy )
to the target domain label zy via the domain classification loss. We further inves-
tigate how the distinct network designs and different network sharing schemes for
the dual generators dealing with different sub-tasks could balance the generation
performance and the network complexity. The multi-domain model StarGAN [5]
did not consider these aspects.

3.2 Model Optimization

The optimization objective of the proposed G2 GAN contains five different losses,
i.e., color cycle-consistency loss, multi-scale SSIM loss, conditional least square
loss, domain classification loss and conditional identity preserving loss. These
optimization losses are jointly embedded into the model during training. We
present the details of these loss functions in the following.
Color Cycle-Consistency Loss. It is worth noting that CycleGAN [49] is
different from the pix2pix framework [8] as the training data in CycleGAN are
 G2 GAN for Multi-domain Image-to-Image Translation 9

unpaired, and thus CycleGAN introduces a cycle-consistency loss to enforce

forward-backward consistency. The core idea of “cycle consistency” is that if we
translate from one domain to the other and translate back again we should arrive
at where we started. This loss can be regarded as “pseudo” pairs in training data
even though we do not have corresponding samples in the target domain for the
input data in the source domain. Thus, the loss function of cycle-consistency is
defined as:

Lcyc (Gt , Gr , x, zx , zy ) = Ex∼pdata (x) [Gr (Gt (x, zy ), zx ) − x1 ]. (1)

The optimization objective is to make the reconstructed images Gr (Gt (x, zy ), zx )

as close as possible to the input images x, and the L1 norm is adopted for the
reconstruction loss. However, the “channel pollution” issue [39] exists in this
loss, which is because the generation of a whole image at one time makes the
different channels influence each other, thus leading to artifacts in the generation
results. To solve this issue, we propose to construct the consistence loss for each
channel separately, and introduce the color cycle-consistency loss as follows:

Lcolorcyc (Gt , Gr , x, zx , zy ) = Licyc (Gt , Gr , xi , zx , zy ), (2)
i∈{r,g,b}

where, xb , xg , xr are three color channels of image x. Note that we did not feed
each channel of the image into the generator separately. Instead, we feed the
whole image into the generator. We calculate the pixel loss for the red, green,
blue channels separately between the reconstructed image and the input image,
and then sum up the three distance losses as the final loss. By doing so, the
generator can be enforced to generate each channel independently to avoid the
“channel pollution” issue.
Multi-scale SSIM Loss. The structural similarity index (SSIM) has been orig-
inally used in [43] to measure the similarity of two images. We introduce it into
the proposed G2 GAN to help preserving the information of luminance, contrast
and structure across scales. For the recovered image x  = Gr (Gt (x, zy ), zx ) and
the input image x, the SSIM loss is written as:
α β γ
x, x) = [l(
LSSIM ( x, x)] [c(
x, x)] [s(
x, x)] , (3)

where
2μxμx + C1 2σxσx + C2 σxx + C3
l(
x, x) = , c(
x, x) = , s(
x, x) = .
μ2x + μ2x + C1 σx2 + σx2 + C2 σxσx + C3
(4)
These three terms compare the luminance, contrast and structure information
between x  and x respectively. The parameters α > 0, β > 0 and γ > 0 control
the relative importance of the l(
x, x), c( x, x), respectively; μx and μx
x, x) and s(
are the means of x and x; σx and σx are the standard deviations of x  and x; σxx
is the covariance of x
 and x; C1 , C2 and C3 are predefined parameters. To make
the model benefit from multi-scale deep information, we refer to a multi-scale
10 H. Tang et al.

implementation of SSIM [44] which constrains SSIM over scales. We write the
Multi-Scale SSIM (MS-SSIM) as:

αM

M
βj γj
LMS-SSIM (
x, x) = [lM (
x, x)] x, x)]
[cj ( x, x)]
[sj ( . (5)
j=1

Through using the MS-SSIM loss, the luminance, contrast and structure infor-
mation of the input images is expected to be preserved.
Conditional Least Square Loss. We apply a least square loss [21,49] to
stabilize our model during training. The least square loss is more stable than the
negative log likelihood objective LCGAN (Gt , Ds , zy ) = Ey∼pdata (y) [log Ds (y)] +
Ex∼pdata (x) [log(1−Ds (Gt (x, zy )))], and is converging faster than the Wasserstein
GAN (WGAN) [2]. The loss can be expressed as:

LLSGAN (Gt , Ds , zy ) = Ey∼pdata (y) [(Ds (y) − 1)2 ] + Ex∼pdata (x) [Ds (Gt (x, zy ))2 ],
(6)
where zy are the category labels of domain y, Ds is the probability distribution
over sources produced by discriminator D. The target of Gt is to generate an
image Gt (x, zy ) that is expected to be similar to the images from domain Y ,
while D aims to distinguish between the generated images Gt (x, zy ) and the real
images y.
Domain Classification Loss. To perform multi-domain image translation with
a single discriminator, previous works employ an auxiliary classifier [5,25] on the
top of discriminator, and impose the domain classification loss when updat-
ing both the generator and discriminator. We also consider this loss in our
optimization:

Lclassif ication (Gt , Dc , zx , zy ) = Ex∼pdata (x) {−[log Dc (zx |x) + log Dc (zy |Gt (x, zy ))]},
(7)
where Dc (zx |x) represents the probability distribution over the domain labels
given by discriminator D. D learns to classify x to its corresponding domain zx .
Dc (zy |Gt (x, zy ) denotes the domain classification for fake images. We minimize
this objective function to generate images Gt (x, zy ) that can be classified as the
target labels zy .
Conditional Identity Preserving Loss. To reinforce the identity of the input
image during conversion, a conditional identity preserving loss [38,49] is used.
This loss can encourage the mapping to preserve color composition between the
input and the output, and can regularize the generator to be near an identity
mapping when real images of the target domain are provided as the input to the
generator.
Lidentity (Gt , Gr , zx ) = Ex∼pdata (x) [Gr (x, zx ) − x1 ]. (8)

In this way, the generator also takes into account the identity preserving via the
back-propagation of the identity loss. Without this loss, the generators are free
to change the tint of input images when there is no need to.
Another random document with
no related content on Scribd:
één woord, de vermaaken die te Muiderberg genoten worden zijn te talrijk
om ze allen te beschrijven, en te vol gewoel om er een wèl geordend
tafreel van te ontwerpen; allen helpen zij intusschen, zo als wij reeds
zeiden, den bloei van het plaatsjen niet weinig bevorderen.

’T is omtrent deeze plaats, omtrent dit dorpjen, dat, naar ’t gevoelen van
eenigen, Graaf Floris de Vijfde, door de zamengezworenen is
omgebragt; (zie onze beschrijving van Naarden, Art. Geschiedenissen,) ’t
geen anderen, doch verkeerdlijk, willen, dat op het Muiderslot zoude
geschied weezen, ’t geen echter van de beste Historieschrijvers wordt
tegengesproken, in navolging van welken de Puik-dichter Antonides van
der Goes, in zijnen Y-stroom, bladz. 108, ook zegt:

Toen Velzen, zoet op wraak, met zijne vloekgenooten,

Den Graaf, zijn’ wettig Vorst, den dolk in ’t hut dorst stooten,
En Gooiland verwen met het bloed van zijnen Heer.

Woorden die allerduidelijkst te kennen geeven dat, volgends [4]den Dichter,

’s Graaven bloed den Gooischen bodem, (niet den grond van deeze of
geene kamer in het Muiderslot,) geverwd heeft.

NAAMSOORSPRONG.

De naamsoorsprong van Muiderberg, wordt voegelijk afgeleid, (ook is er

geene andere bedenking over te maaken,) van de daar nabij gelegene
stad Muiden, en de naastaanliggende hoogte; welke, voor zo verre die
waarop het dorp ligt betreft, en met betrekking tot de doorgaande vlakke
eigenschap van ons Land, den naam van berg verkregen heeft, als vrij
hoog zijnde, en boven allen die rondsom liggen uitsteekende; deeze
hoogte, of berg, nu (bij Muiden liggende,) zal dan den naam van berg van
Muiden of Muiderberg verkregen hebben, en voords het Dorp ook met dien
naam benoemd weezen.

STICHTING en GROOTTE.
Wie Muiderberg eigenlijk gesticht of aangelegd zoude hebben, daarvan
zijn geene bescheiden voorhanden: oud moet het zekerlijk zijn, uit
aanmerkinge van den reeds gemelden Giftbrief van Graave Willem van
Henegouwen, geschreven in den jaare 1324; want daarin wordt het, gelijk
wij gezien hebben, reeds gespeld.

Wat de grootte betreft, volgends de lijsten der verpondingen van den jaare
1632, stonden er toen 34 huizen, doch honderd jaaren laater, in 1732,
bedroeg dat getal niet meer dan 28 huizen; weshalven het in de gezegde
honderd jaaren, 6 huizen verminderd is; thans zijn er weder 6 minder,
naamlijk slechts 22, het welk zeer ligtlijk het geval van dergelijke, schoon
bloejende, dorpjens kan worden, want die bloei bestaat gemeenlijk in niet
meer dan in eene genoegzaame broodwinning der bewooneren, ofschoon
het daarom anderen, elders woonende, niet geraaden zij, zig aldaar met er
woon te komen nederslaan, alzo zij welligt alles wat zij nog hadden
verteerd zouden hebben, [5]aleer zij gelegenheid kreegen om door hun
toedoen den bloei des dorpjens te vermeerderen, en derhalven zig zelven
in eenen bloejenden staat te bevinden.

Men schat het getal der inwooneren op omtrent 200, die, uitgenomen
eenige weinige Roomschgezinden, allen van den Gereformeerden
Godsdienst zijn.

Het schatbaar land onder het district van Muiderberg behoorende, wordt
begroot op niet meer dan honderd en vijftig morgen.

Een wapen heeft dit dorpjen niet.

KERKLIJKE en GODSDIENSTIGE GEBOUWEN.

Dit Artijkel van ons plan betreffende kunnen wij, het tegenwoordige
dorpjen aangaande, niet anders noemen dan de kerk, want Wees- of
andere Gods-dienstige Gestichten zijn er niet voorhanden: de Weezen
worden er bij de inwooners besteed.
Van binnen is de kerk zeer zindelijk, doch ook zeer eenvoudig, hebbende
volstrekt niets dat men kan zeggen een cieraad te weezen; ook is er geen
orgel in.

Derzelver vertooning van buiten, maakt zeer geloofwaardig het geen men
er van aangetekend vindt, naamlijk dat het nog de capel zoude zijn welke
de Roomschen in vroegere eeuwen aldaar gehad hebben; zij heeft in alles
de gedaante van een capel, vooral van vooren; men gaat tot den ingang,
(er is ook maar één ingang aan) door een laantjen van boomen, waar
achter het bovenste gedeelte van de kerk zig verbergt: men wil dat dit
gebouw gesticht zoude weezen, door den reeds meergemelden Graaf
Willem van Henegouwen, de derde van dien naam; doch, en het geen
van zelf spreekt, als eene capel, welke bij de Reformatie van binnen tot
het oefenen van den Gereformeerden Godsdienst is toebereid.

Thans staat op het gebouw een vierkante toren, zijnde van boven geheel
plat; evenwel is dezelve zodanig niet altoos geweest; er heeft, zelfs nog in
de tegenwoordige eeuw, [6]een spits op gestaan, doch hetzelve is er door
een’ stormwind afgewaaid, en sedert is er geen ander spits op gezet.

Niettegenstaande de gemeente te Muiderberg altijd slechts bestaan hebbe

uit omtrent 50 ledemaaten, heeft zij echter sinds het jaar 1687, haar eigen
Predikant, zijnde sedert 17 Augustus, van den jaare 1783, de Wel-Eerw.
en bij zijne gemeente zeer geliefde Heer, Kristiaan Johan Fruitier,
behoorende onder de Classis van Amsteldam.

De eerste Predikant alhier was Nicolaas Bassecour, bevestigd den 17

Augustus 1687, en hem werdt den 13 October van het zelfde jaar, één
Kerkraad, één Ouderling, en één Diacon toegevoegd, door een commissie
uit de Classis van Amsteldam: in het jaar 1698, is zijn Wel-Eerw. beroepen
te Schiedam—Voords hebben de volgende Predikanten alhier gestaan:

Geerard Midlum, is bevestigd den 27 April 1698, en beroepen te ’s

Graaveland 1706.

Petrus de Bye, is bevestigd den 30 Mei 1706, en hier overleden, den 14

Julij 1726.
Roeland van Thiel, is bevestigd den 2 Febr. 1727, en heeft van zijnen
dienst vrijwillig afgestaan 1747.

Jan Rijser, is bevestigd den 28 Jan. 1748, en emeritus geworden in Sept.

1780.

Carolus Pantekoek, is bevestigd den 29 April 1781, en op collatie

vertrokken naar Niërvaart, gezegd de Klundert.

De Pastorie is een vrij goed, en aangenaam gelegen gebouw.

Het Schoolhuis voldoet mede allezins aan deszelfs oogmerk.

WERELDLIJKE GEBOUWEN.

Onder dit artijkel kunnen wij niet anders brengen, dan het Rechthuis, dat
voor 3 jaaren een ruime Herberg was; doch sedert in een schoone lusthof
is veranderd. [7]

KERKLIJKE REGEERING.

Deeze bestaat sedert den 14 November, 1687, uit den Predikant, 2

Ouderlingen en 2 Diaconen.

Er zijn ook 2 Kerkmeesteren, die, in gevalle van afsterven, door Schout en

Schepenen verkozen worden.

WERELDLIJKE REGEERING.

Deeze is als op de andere dorpen van Gooiland: de Hooge Vierschaar

wordt er gespannen door den Bailluw en de Schepenen van Gooilands
Hoofdstad, Naarden, de Civile rechtbank wordt gespannen door Schout en
Schepenen, zijnde deeze laatsten vijf in getal.

Voords zijn alhier mede twee Buurtmeesters en twee Kerkmeesters: van

den eerstgemelden gaat jaarlijks één af.
De Schepens worden verkozen door den Bailluw, uit een nominatie van
een dubbeld getal, gemaakt door den Schout en Buurtmeesters: aan de
nieuw verkozene Schepenen staat de verkiezing van den Buurtmeester,
die voor dat jaar aankomt; zie boven.

Voorrechten heeft Muiderberg, voor zo verre ons bewust is, niet.

De

BEZIGHEDEN

Der bewooneren, zijn meestal de landbouw, waartoe zij, gelijk wij hiervoor
reeds zeiden, goede gelegenheid hebben: het zaajen van boekwijt en
rogge, en het pooten van aardappelen, gaat er zeer sterk: voords vindt
men er eenigen van die werklieden welken in de burgerlijke zamenleving
volstrekt onontbeerelijk zijn.

Wat aangaat de [8]

GESCHIEDENISSEN,

Van Muiderberg, de beschrijving van deezen vereischt geene breede

plaats: in de oorlogsrampen van Muiden en Naarden, heeft het zeer
waarschijnelijk zijn deel gehad, ofschoon wij desaangaande niets
bijzonderlijks vinden aangetekend; alleenlijk is het optemaaken uit den aart
dier rampen, zodanig zijnde, dat zij zig maar zeldzaam, of liever nooit, aan
een klein plekjen gronds bepaalen, maar altoos eenen ruimen omtrek
inneemen; de bewerkers dier rampen zijn Vorsten, deezen zegt men, niet
ten onrechte, schoon tot hunne schande, hebben lange armen, en zulks
wordt in tijden van oorlog met nadruk gevoeld; als hunne armen gewapend
zijn, rijken hunne zwaarden mijlen ver; en slaat men het oog op hunne
laaghartige huurelingen, die vijanden van alle menschlijkheid, zeker, dan is
het nog minder te bewonderen dat de rampen des oorlogs, zig nimmer bij
een klein pleksken gronds bepaalen; de gezegde vorsten-slaaven, zijn
over het algemeen losbandige booswichten, uitgehongerde raaven, die
onder den dekmantel van rechten des oorlogs, hunne harten met
gruwelen, en hunne maagen met geroofde beeten vullen, gelijk zij ook niet
zelden hunne beestachtige lusten voldoen ten koste van de eer veeler
braave vrouwen en maagden—is er immer een tijd geweest waarin zulks
dagelijks ondervonden wordt, ’t is de tijd dien wij beleeven; door geheel
Europa woedt en plundert de schenzieke en hoogst verachtelijke
soldaat.… doch welhaast wordt veelligt de dag geboren, (sommigen
meenen zelfs de eerste morgenschemering daarvan reeds te bespeuren,)
waarop alle vorst, alle soldaat.… dan op dien toon voordgaande, zouden
wij de eigenlijke paalen van ons plan overschreiden. [9]

Door het vuur heeft Muiderberg, voor zo verre wij hebben kunnen
naspooren, nooit veel geleden; ook niet door het water; want ofschoon het
nabij de zee gelegen zij, heeft de goeddoende en altijd zorgende Natuur
het dorpjen, door middel van vrij hoog duin tegen de woede van dat
element beveiligd.

„In den jaare 1673 hadden de Franschen,” dus luidt een gedeelte der
historie van dit dorp, „zig op Muiderberg verschanst en batterijen
opgeworpen tegen die van Muiden, welke stad zij toen onder hunne magt
hoopten te krijgen; zij werden echter van daar verdreven, door
verscheidene uitleggers op de Zuiderzee, die van Amsteldam gezonden
werden, en door vlotschuiten met kanon waarvan men drijvende batterijen
maakte, die hen van de vaart tusschen Muiden en Naarden zo
benaauwden, dat zij op den 6 Junij van ’t gemelde jaar opbraken, en
hunne onderneemingen lieten vaaren.”

Bij de omwending in onzen burgerlijken staat, heeft Muiderberg zeer veel

geleden: door de Pruissen zijn alle buitenplaatsen grootlijks, en Rustrijk,
die van den Heere Abbema, ook de Pastorij, geheel en al geplunderd:
verscheide weken hebben veele oude lieden en kinderen zig in de open
lucht moeten ophouden, om derzelver schreeuwende mishandelingen te
ontvlieden: wij mogen intusschen niet vergeten aantetekenen dat de
ingezetenen aldaar meest de Patriotsche partij toegedaan waren, en zij
zig, op last der Heeren Staaten van Holland en Westvriesland, ook in den
wapenhandel geoefend hebben.
Onder de

BIJZONDERHEDEN,

Van dit dorpjen, behooren twee kerkhoven, het eene reeds in de

voorgaande eeuw aangelegd voor de Hoogduitsche Jooden, van welken
hier doorgaands honderd in het jaar begraven worden; het andere is,
sedert een jaar aangelegd, voor de Lutherschen [10]van ’t Oude licht; doch
tot heden toe heeft niemand hier eene rustplaats voor zijn overschot
verkozen.

Het voornaame logement waartoe de voorgemelde buitenplaats van den

Heere Abbema gemaakt is, verdient mede eene bijzonderheid genoemd te
worden, uit aanmerking van de zonderling grootsche aanleg, (waarvan
mogelijk in geheel het Vaderland, geen voorbeeld voorhanden is,) zo wel
als van de kleinte van het dorpjen, alwaar dezelve gevonden wordt; doch
wanneer men aanmerkt dat de Grooten reeds vóór dien aanleg gewoon
waren zig op Muiderberg te komen verlustigen, en ook dat er verscheidene
buitenplaatsen rondsom liggen, allen welken geduurende het
zomersaisoen bewoond worden, dan komt de verkiezing van dien aanleg
niet zo geheel bijzonder voor; men konde tog vooraf op voldoend vertier
staat maaken, om reeden van hetgeen wij zo even zeiden; want dat vertier
moet ook alleen slechts van de Grooten komen, de burger schrikt op het
zien van den prachtigen aanleg, zodra hij het woord Logement er voor
leest: vooral is deeze plaats eene bijzonderheid, wegens de
aanmerkenswaardige echo die men aldaar heeft, en welke veele
vreemdelingen derwaards lokt; de Edele Heer Willem Hooft, te
Amsteldam, heeft er den zeer geleerden Heere Martinet, nagenoeg de
volgende beschrijving van medegedeeld—men vindt er een ouden muur in
een halve cirkelronde gedaante, zeven voeten hoog gebouwd, met een
schuinse rollaag, die men op één voet mag rekenen; de middenlijn
deszelven beloopt op honderd en negen voeten binnenswerks: vijftien
voeten ten noorden achter deezen muur staat eene hegge, die twee of drie
voeten hoog boven denzelven uitsteekt, en eenige roeden verder vindt
men hooge boomen; wanneer men nu vóór deezen muur gaat staan, dan
ziet men tusschen beiden eenen platten beplanten grond, en achter zig
heeft men eenen anderen halven cirkel van latwerk, waartegen eenig
geboomte is opgeleid, zijnde de afstand van het middenpunt des muurs tot
dat van het [11]latwerk, van honderd twee- en twintig en een halven voet
Amsteldamsche maat.

Indien men zig nu plaatst op den afstand van drie- en- vijftig voeten van
het middenpunt des muurs, en een ander zeventien voeten ten westen
bezijden den eerstgemelden gaat staan, en dan zacht of hard, geheele
versen spreekt, beantwoordt de echo dezelven, niet achter elkander, maar
elk afzonderlijk, één voor één: dan, het verwonderlijkste van alles is, dat
de stem of de echo niet schijnt terug te komen van den muur, maar uit den
grond, zeer juist alle woorden nabaauwende.

Deeze echo is aldaar ontdekt voor bijna zeventig jaaren, toen de Heer
Homoet eigenaar dier plaatse was, en bij gelegenheid dat men eene
ligusterhegge uitroeide: intusschen is het zeker, dat in het Vaderlandsch
Treurspel, Gerard van Velzen, in het jaar 1613 in ’t licht gegeven, reeds
gesproken wordt van het verstoord gebeente van dit cirkelrond, en van de
echo, bij gevolg is deeze muur, (waartoe gemaakt weet men niet, mogelijk
tevens tot eene begraafplaats,) en dus ook deeze overschoone echo, al
vóór honderd een- en- dertig jaaren, bekend geweest, die daarna in het
vergeetboek geraakt kan zijn, toen deeze hofstede, uit de eene hand in de
andere overging, tot dat men, de ligusterhegge uitwerpende, dezelve
toevallig ontdekte.

REISGELEGENHEDEN.

Deezen zijn als die van Muiden, want van Amsteldam met de schuit tot
daar gekomen zijnde, vaart men met de Naarder schuit tot de
Hakkelaarsbrug, alwaar men uitstapt om verder naar Muiderberg te
wandelen—Terug gaat men weder, of naar Muiden, of naar de
Hakkelaarsbrug voornoemd, en zo verder op Amsteldam.

’T is voor een vaderlander nog al niet onaangenaam, aan [12]gezegde brug

te moeten uitstappen, alzo hij aldaar vergast wordt op het zien van de
Stolp, de landlijke retraite, van den nu zaligen onwaardeerbaaren
Burgervader Hendrik Hooft Danielsz., nog het voorwerp van aller
braaven achting, en die op dat buitenverblijf zijnen hoogen ouderdom
sleet, onder de aangename streelingen van een voldaan geweeten, niet
alleen, maar ook van de hoop, van vóór zijn’ dood zijn vaderland, en met
nadruk zijne geliefde Amstelstad nog eenmaal gelukkig te zullen zien.

LOGEMENTEN,

Deeze zijn geene anderen dan de reeds gemelde plaats van den Heere
Abbema; voords zijn er nog twee herbergen van mindere rang. [1]
[Inhoud]
De stad Weesp.
Zo lang de Zilvren VECHT uw boorden blyft besproeien,
O WESOP! en Natuur u met haar schoon vereert.
Zo lang de Koopmanschap in Nederland zal bloeien;
GENEVER, en door Oost en Westen word begeerd.
—
Zo lang de Naneef TROUW op hogen prys zal stellen,
Hoort Gy, MYN VADERSTAD! uw naam met blydschap spellen.

B. P.—
 DE
S TA D
WEESP.

Onder de geene stem in Staat hebbende Steden van Holland, is Weesp

geenzins eene der geringste, zo wegens derzelver oudheid,
vermaardheid als vermakelijke ligging aan de Rivier de Vecht; een half
uur ten Zuidwesten Muiden; omtrent twee uuren ten Westen Naarden;
ruim twee uuren ten Zuidoosten Amsteldam, en ruim vijf uuren ten
Noorden Utrecht.

NAAMSOORSPRONG.

Bij de Geschiedschrijvers vind men wegens den Naams-oorsprong niets

zekers geboekt. Dat deeze Stad haren naam van de Usipeten
ontleenen zoude, luid al te fabelachtig, om daar aan geloof te slaan. Dat
zij dezelve aan eenen Here de Wesopa, die aldaar een Kasteel, van
dien naam, zou gesticht hebben, verschuldigd is, is even onzeker, en
dat zij om haren geduurigen kloekmoedigen tegenstand door haare
vijanden, leenspreukig, Wespe of Wispe zoude genoemd zijn, hier voor
is geen’ den minsten grond te vinden: ’t zij ons genoeg dat er in Holland
een Steedje is, dat Wezop of Weesp genoemd word, bij welke laatste
benaming het thans allermeest bekend is.

STICHTING en GROOTTE.

Hoewel men den tijd der Stichting dezer Stad met geene zekerheid
bepalen kan; veel min of dezelve altijd met vestingen omringd of bevest
is geweest; kan men echter bewijzen dat zij in den Jaare 1131 reeds
bekend was, als blijkt uit zekeren brief van Andreas den
vijfentwintigsten Bisschop [2]van Utrecht, waarin van bovengemelden
Hero gewaagd word. In de handvest van Hertog Willem van Beieren in
’t Jaar 1355, word van Weesp het allereerst melding gemaakt, als van
eene Stad, voorzien met poorten en wallen, en hare Burgers Poorters
genoemd.

De Stad is zeer ruim en luchtig gebouwd en heeft verscheidene

straaten, die zeer wél betimmerd zijn; van het Zuiden tot het Noorden
doorsneden van de stroomende Rivier de Vecht, waar aan een
Schutsluis ligt, die in een Graft uitlopende, het grootste gedeelte der
Stad wederom in tweeën deelt; terwijl het zuiderdeel met drie Graften
voorzien is, die allen in de laatstgenoemde hunne inwatering hebben.—
Volgends de jongste beschrijving beloopt het getal der Inwooners op
bijkans 2800 menschen, woonende in omtrent 500 huizen, die wederom
in ruim 730 woningen verdeeld zijn. Uit oude tekeningen en
beschrijvingen blijkt het, dat Weesp voorheen met steenen wallen is
omgeven geweest, welker grondslagen men, bij gelegenheden, noch
ontdekken kan, en waar van men noch de overblijfsels ziet aan de
Muiderpoort, de Waag en den zogenaamden Olijmolen, welke
gebouwen zekerlijk voor een gedeelte als rondeelen der oude
vestingwerken moeten beschouwd worden: verval en de uitleggingen
der Stad hebben derzelver afbraak noodzakelijk gemaakt.—
Tegenwoordig is de Stad alleen aan haar Oost en Zuidelijk gedeelte met
aarde bolwerken voorzien, die naar de regelen der hedendaagsche
Vestingbouwkunde opgeworpen zijn. Behalve de andere uitgangen,
heeft deeze Stad drie poorten, namelijk, de Muider, Naarder of ’s
Gravelandsche, en Utrechtsche poort; de eerste is een oud gebouw, in
wiens voorgevel het Keizerlijke wapen staat uitgehouwen, waar onder
het Jaargetal 1552: de twee laatste zijn in den Jaare 1676 gebouwd, en
van eenen ordentlijken aanleg.

’T W A P E N .

Weesp heeft twee Wapens: te weeten het Oude en Nieuwe. Het oude
verbeeld een Kerk, met een’ grooten toren aan den Voorgevel en een’
kleiner’ in de midden: de figuur heeft veel [3]overeenkomst met het
tegenwoordig Kerkgebouw. Het nieuwe is een zilveren paal op een
blaauw veld. Het eerstgenoemde word noch ter bezegeling van brieven
of decreeten gebruikt.

KERKLIJKE en GODSDIENSTIGE GEBOUWEN.

De groote Kerk, waarin de Gereformeerden hunnen Godsdienst

oefenen, is, volgends Jacobus de la Torre, gesticht, of ten minsten
voltooid, in den Jaare 1462, wanneer zij, naar het Roomsch
Kerkgebruik, aan St. Laurentius wierd toegewijd. Het is een schoon,
lang en luchtig Gebouw, pronkende met eenen spitsen toren, in wiens
Koepel een welluidend Klokkenspel hangt, in 1672 door den
vermaarden Petrus Hemoni vervaardigd. Op het Choor is noch een
klein torentje. Dit Gesticht rust binnenwerks op 18 pijlaaren, zijnde
rondom de meeste, de Predikstoel, de Gestoeltens der Regeering en
anderen geplaatst.—Het Orgel, in 1592 gemaakt, heeft, naar den tijd
waarin het zelve vervaardigd is, geen onaangenaam geluid, en word
met deuren gesloten.—In het Choor, dat met een fraai koperen hek van
de Kerk is afgescheiden, vind men een’ kleineren Preêkstoel,
voormaals gebruikt, wanneer de promotie der Latijnsche Schooljeugd
geschiedde. De Gereformeerde Gemeente word bediend door twee
Leeraars, Leden der Classis van Amsteldam: het tractement van den
Oudsten bedraagt 1000 Guldens en vrije woning in de Pastorij, dat van
den jongsten is 1100 Guldens.

De Lutersche Gemeente word bediend door een’ Predikant behorende

onder het Consistorie van Amsteldam, zij is eene der aanzienlijkste dier
Geloofsbelijderen in deeze Republiek. De plaats, ter oefening van
hunnen Godsdienst geschikt, is een klein doch net Gebouw, van binnen
versierd met een fraai Orgel. De oorsprong deezer Gemeente word,
volgends de waarschijnlijkste berichten, gesteld op den 28sten
September 1642. Tobias Brustenbach was de eerste Leeraar maar ook
te gelijk derzelver Stichter. In den Jaare 1647 wierd deeze Gemeente,
die tot dien tijd haare Godsdienstige bijeenkomsten in een klein Huisje
op de Achtergracht [4]gehouden had, in staat gesteld tot den aankoop
van een Huis en erve, ’t welk, in 1654 met noch een ander Huis en erve
vergroot, het tegenwoordig Kerkgebouw uitmaakt; tot den Jaare 1782,
was zij in zodanige omstandigheden geplaatst, dat somtijds het
nabuurig Amsteldam tot het onderhoud harer Leeraar moest
medewerken; wanneer zij door een aanzienlijk Legaat, haar bij uiterste
wille besproken door wijle Vrouwe Voigt, wonende te Muiderberg, in
staat gesteld wierd zich zelve te kunnen onderhouden. Den 30
September 1792, wierd eene Jubelpreêk, bij gelegenheid van de 150
jarige instandblijving der Gemeente, door haaren toenmaligen Leeraar
gedaan.

De Roomsch Catholijken hebben hier ook eene Statie, die

tegenwoordig door eenen waereldlijken Pastoor en Capellaan word
waargenomen. Hun Kerkhuis is van binnen met een naar de bouwkunst
geordend altaar versierd, en het gewelf met Bijbelsche en Kerkelijke
Geschiedenissen fraai beschilderd. Waar aan de vochtigheid en
ouderdom echter veel nadeel hebben toegebragt. Daar en boven is het
Gesticht zelve zeer bouwvallig en veel te bekrompen: ter ondersteuning
van het Gregoriaansche Kerkgezang is er een klein doch zeer
welluidend Orgel in geplaatst. Thans is op requeste, door
Kerkmeesteren dier Gemeente gepresenteerd, ten einde een geschikter
Kerkhuis te erlangen, gunstig appui verleend, waar door aan het
verlangen van het grootste getal der Gemeentenaaren spoedig zal
voldaan worden, hebbende de Kerkbestuurders bereids daar toe een
geschikte plaats aangekocht.

De Joden, wier getal alhier sints weinige Jaaren merkelijk is

toegenomen, hebben hier een Sijnagoge of bedehuis, dat een zeer
klein doch net gebouw is.

Onder de Gestichten die eenige aandacht verdienen bekleed het St.

Bartholomei Gasthuis geene geringe plaats. De tijd van derzelver
stichting is onzeker; dat het echter van geenen jongen tijd is, blijkt uit
den naam van hem aan wien het is toegewijd, en wiens beeldtenis of
naam boven alle de buiteningangen dezes Gestichts is uitgehouwen.
Het is een groot en geen onaanzienlijk Gebouw. Ofschoon voor zo verre
men [5]kan nagaan, alleen geschikt voor een Gasthuis of herberging
voor Vreemdelingen, worden thans ook de gebrekkigen en behoeftigen,
die door de Diaconie ondersteund worden, daarin besteed. De
bestuuring van dit huis is thans opgedragen aan 4 Regenten en 3
Regentessen, die ’s Jaarlijks of op nieuw verkoren of anderen in hunne
plaatsen gesteld worden.

Het Burger-Weeshuis, in vroegere Eeuwen een Klooster voor de

Zusteren van St. Jan Euangelist, is een schoon en ruim Gebouw,
geschikt ter herberginge en opvoeding van Weezen, wier Ouderen
Burgeren dezer Stad waren. Deszelfs bestuur staat thans aan 5
Regenten en 4 Regentessen, die mede Jaarlijks aangesteld worden.

Het Armen-Weeshuis, een Gebouw, waarin sints 1667 de Armen

Weezen, die te vooren in het St. Bartholomei Gasthuis gehuisvest
waren, wierden opgevoed, en werwaards zij op besluit van
Burgemeesteren en Vroedschappen in 1790 wederom wierden
overgebragt, dient voor het tegenwoordige ter inkwartieringe der alhier
in Guarnisoen liggende Militie.

De orde vereischt dat hier ter plaatse ook melding gemaakt worde van
de Stichting van wijlen den Heere Cornelis van Drosthagen, bij
beslotene laatste wille, 1714 gemaakt, en 1718 door zijn dood
bevestigd: volgends welke hij zijne Nalatenschap, bestaande in Huizen,
Landerijen enz onder het bestuur van drie Executeuren van de
Roomsche Religie gesteld heeft; zo nochthans dat bij het afsterven van
eenen derzelven een’ Gereformeerde door de aanblijvenden, in
deszelfs plaatse, mogt verkozen worden; welk laatste reeds sints een
aantal Jaaren heeft stand gegrepen.—De voordeelen, uit deeze
Goederen voordspruitende, moeten in drieën verdeeld worden, als aan
zijne behoeftige Vrienden van moeders zijde; aan het Arme Weeshuis,
en aan Armen der Roomsche Gezindheid. Ter gedachtenisse van
deezen Heer is in een gevel van een der vernieuwde Gebouwen een
steen geplaatst, waarop men het volgende versjen leest:

De voorzorg van Drosthagen

Voor Armen, Weez’ en Magen,
Zij steeds bij ’t Nageslacht
Met dankbaarheid herdacht!——

[6]

WAERELDLIJKE GEBOUWEN.

Onder dezelve bekleed het Stadhuis de eerste plaats. Het is een

buitengemeen schoon en kostbaar Gebouw, in den jaare 1772 geheel
nieuw uit den grond opgehaald, pronkende met eenen arduin en
hardsteenen Voorgevel, naar de Jonische en Dorische orden. Zo
schoon dit Gebouw zich uitwendig opdoet, zo fraai is ook deszelfs
binnenste. Bij het ingaan valt terstond de prachtige Vierschaar in ’t oog,
welker beschouwing den Vreemdeling moet uitlokken om het zelve van
binnen te bezichtigen. De Burgerzaal, Burgemeesters, Schepens en
Vroedschapskamer zijn keurig geordend, naar den smaak gestoffeerd
en versierd met prachtige en fraaje schilderstukken, door den Weesper
Burgemeester Gijsbert Jansz. Sibille. Hoewel men den naam van
deezen Kunstliefhebber in de Schilderboeken te vergeefs zoeken zou,
en buiten deeze Stad weinig bekend schijnt te zijn, zo zijn echter de
werken van zijne hand de opmerking der kenneren dubbel waardig.—
Het Gebouw staat op de Grobbe bij de St. Joris brug, die in
bovengemeld jaar met het daar voor liggend plein gelijk gemaakt is. Ter
plaatse waar het tegenwoordig Stadhuis staat, was in het begin der
voorige Eeuw de Schuttershof of de St. Joris Doelen; waar van in het
oude Stadhuis noch eenige overblijfsels te vinden waren.

De Waag, een oud gebouw, voorheen een rondeel der Vestingen, reeds
in den Jaare 1407 geschikt tot het Stadhuis, waar toe het tot 1634
gebruikt is, staat aan de Vecht. Behalve dat dezelve tot het wegen der
Koopmanschappen enz. gebezigd word, strekt zij ook ter
Vergaderplaats van sommige Gilden: terwijl op een harer vertrekken
thans ook de Hoofdwacht der Militairen gehouden word. Derzelver
Voorgevel is niet onaanzienlijk, en pronkt met het Wapen der Stad.

De Stads School, mede geen onaanzienlijk Gebouw, heeft [7]men, niet

zonder grond, te houden voor een gedeelte van het Klooster, het Jonge
Convent genaamd: in deeze kunnen ook de Kinderen van
minvermogende voor niet onderwezen worden, waar toe aan den Stads
Schoolmeester, een Jaarlijks tractement gegeven word.

De Stads Fransche Kostschool voor Jonge Heeren, is een ruim en

luchtig Gebouw, staande op de nieuwe Gracht aan het Zuideinde der
Stad; deeze School is in eenen zeer bloeienden staat.

Voords is alhier noch eene Fransche Kostschool voor Jonge

Juffrouwen, wier aantal geduurig toeneemt.

De Vleeschhal en Bank van Leening zijn geene Stadsgebouwen,

wordende de eerste gehuurd; en de laastgenoemde behoort aan eenen
Jood, die daar voor eene jaarlijksche recognitie aan de Kerk betaalt.

De Godsdienstige en Waereldlijke Gestichten deezer Stad beschouwd

hebbende, gaan wij over tot derzelver

REGEERING.

Alhoewel de kundige Schrijver der Grondwettige Herstelling van

Nederlands Staatswezen verzekert, dat de vastgestelde
Regeeringsform van Wezop of Weesp tot 1445 in handen van het Volk
berustte, schijnen de handvesten der Stad ons het tegendeel
aanteduiden, vermits in een geschreven handvest, die in de gedrukte
niet gevonden wordt, en in 1387, aan die ghemeenen Steden en
Dorpen van Amsterlandt ende van Goijlandt door Herthog Albrecht
van Beieren is gegeven, het 1e. Art. van den volgenden inhoud is. Dat
wij off dien wij dat bevelen, off onse Baliuw, die nu is off naemaels
wesen zal, altoes Schepenen kiesen zal binnen Steden ende opten
Dorpen, alsoe veel als costumelijk is, op onser Vrouwendach te
Lichtmisse van den redelijcxsten en vroetsten knaepen, enz.—1407 gaf
Jan van Beieren, Elect van Luijdik, als Heer van Muijden, van Wesop,
van Naerden ende van Goijlandt, ook eenen openen brieve, in welken
hij om oerbaer ende nutschap wille zijns lands voorss. zijne
bovengenoemde ondersaten overdragen heeft eenige [8]puncten, onder
welke het 10. Art. van ons handschrift dus luidt. „Item, soe willen wij dat
binnen onsen Stede van Weesop van deser tijt voort wesen sullen
seven Scepenen die onse Dienaars daer sullen setten: welke handvest
door Filips van Bourgondien, als Ruwaert ende oir der Landen van
Hollandt in 1425 gheconfirmeert ende ghevesticht is. Hoe het met de
Regeering, voor Albrecht van Beieren, gesteld is geweest, daar van
zijn, zo ver mij bewust is, geene bewijzen voorhanden. Het zij ons
genoeg betoogd te hebben dat de Graven, ten minsten, de Schepenen
hebben aangesteld, en dat zulks geenzins door het Volk of deszelfs
vertegenwoordigers geschied is.—Filips van Bourgondien, gaf in den
Jaare 1445 aan de Stad Weesop de handvest, waar bij hij haar
ghegont ende gheconsenteert heeft, dat voortaen één ende dertich die
rijcste poorteren, die meeste leggende erven en staende ghetimmert
hebben, en de hoegste daer in ’t schodt staen, alle jaer op onser
Vrouwendach Purificatio bij de meeste stemmen kiesen sullen vierthien
goede notabile mannen, uijt den voorss. XXXI of uijt andere die
poorteren van Weesop, uijt welke XIIII persoenen alsoe bij den één en
de dertich ghecoeren wesende bij der meeste stemmen onsen raede
van Hollandt, onse Baliuw van Goijlandt in der tijt wesende off die wij
des machtigen sullen, op onser Vrouwen-dach purificatio kiesen ende
eden sullen seven Scepenen, die dat toecomende Jaer Scepenen
wesen sullen; welke Scepenen voort kiesen sullen ’t eerste jaer drie
Burghemeesteren van onse Stede voorss. Als dat van outs ghewoonlijk
is, ende voert alle jaer twee nieuwen Burghemeesters ende eenen
ouden daar in te laeten blijven.” De verkiezinge der Regenten geschied
ten huidigen dage noch naar den inhoud van dit Privilegie, alleen met