对抗逆图形网络：从无配对监督中学习2D到3D提升与图像到图像翻译
计算机视觉与模式识别
2017-11-21 v3
摘要
研究者已开发出优秀的前馈模型，利用监督学习将图像映射到期望输出，例如图像的潜在因子或其他图像。从未标注数据学习此类映射，或利用未标注数据改进监督模型，仍具挑战。我们认为无标注学习有两个重要部分：(i) 使预测与输入观测匹配，以及 (ii) 使预测与已知先验匹配。我们提出对抗逆图形网络（AIGNs）：弱监督神经网络模型，其将来自渲染其预测的反馈与预测和一组真值因子之间的分布匹配相结合。我们将AIGNs应用于3D人体姿态估计以及3D结构与自运动估计，并优于仅由配对标注监督的模型。我们进一步将AIGNs应用于使用超分辨率和修复渲染器的面部图像变换，同时在真值数据集中故意加入偏置。我们的模型无缝整合此类偏置，将输入人脸渲染为年轻、年老、女性化、男性化或汤姆·克鲁斯般的等价形象（取决于所选偏置），或在修复被遮挡的嘴唇和鼻子时添加唇鼻增强。
引用
@article{arxiv.1705.11166,
title = {Adversarial Inverse Graphics Networks: Learning 2D-to-3D Lifting and Image-to-Image Translation from Unpaired Supervision},
author = {Hsiao-Yu Fish Tung and Adam W. Harley and William Seto and Katerina Fragkiadaki},
journal= {arXiv preprint arXiv:1705.11166},
year = {2017}
}