一种用于多域图像翻译的域间隙感知生成对抗网络
计算机视觉与模式识别
2021-12-15 v1
摘要
近期图像到图像翻译模型在映射两域间局部纹理上取得巨大成功。现有方法依赖循环一致性约束来监督生成器学习逆映射。然而，学习逆映射引入了额外可训练参数，且无法对某些域学习逆映射。因此，它们在以下场景中效果不佳：(i) 涉及多个视觉图像域；(ii) 需要结构与纹理同时变换；(iii) 保持语义一致性。为应对这些挑战，本文提出一个统一模型，用于跨具有显著域间隙的多个域翻译图像。与先前用普遍的循环一致性约束约束生成器以实现内容相似度的模型不同，所提模型采用感知自正则化约束。借助单一统一生成器，模型可在多域间保持全局形状与局部纹理信息的一致性。大量定性与定量评估证明了相对于 SOTA 模型的有效性与优越性能。在跨多域数据集差异显著的挑战性映射中，该模型更能有效表征形状形变。
引用
@article{arxiv.2110.10837,
title = {A Domain Gap Aware Generative Adversarial Network for Multi-domain Image Translation},
author = {Wenju Xu and Guanghui Wang},
journal= {arXiv preprint arXiv:2110.10837},
year = {2021}
}