对抗性开放域自适应框架 (AODA): 草图到图像合成
计算机视觉与模式识别
2021-08-20 v2 人工智能
机器学习
摘要
本文旨在展示对抗性开放域自适应框架在草图到图像合成中的有效性。由于训练数据中不存在该类别的草图，从手绘草图生成逼真图像的无监督开放域自适应具有挑战性。缺乏学习监督以及手绘领域与图像领域之间巨大的域差异使得该任务十分困难。我们提出了一种同时学习草图到图像和图像到草图生成的方法，以从图像中合成缺失的手绘图。由于合成草图与真实草图之间存在域差异，在虚假图上训练的生成器在处理缺失类别的图时可能会产生不令人满意的结果。为了解决这个问题，我们提出了一种简单但有效的开放域采样和优化方法，该方法诱使生成器将虚假图视为真实图。我们的方法将学习到的草图到图像和图像到草图映射从域内输入泛化到开放域类别。在 Scribble 和 SketchyCOCO 数据集上，我们将我们的技术与最新的竞争方法进行了比较。对于许多类型的开放域图，我们的模型在合成准确颜色、物质并保留结构布局方面取得了优于现有方法的出色结果。
引用
@article{arxiv.2108.04351,
title = {Adversarial Open Domain Adaption Framework (AODA): Sketch-to-Photo Synthesis},
author = {Amey Thakur and Mega Satish},
journal= {arXiv preprint arXiv:2108.04351},
year = {2021}
}
备注
This was an undergraduate research effort, and in retrospect, it isn't comprehensive enough