一种用于非配对图像到图像翻译的优化架构
计算机视觉与模式识别
2018-02-14 v1
摘要
非配对图像到图像翻译旨在将图像从一域（输入域 A）转换到另一域（目标域 B），而不提供配对的训练样本。当前最优的 Cycle-GAN 展示了带循环一致性损失的生成对抗网络的能力。尽管其结果令人鼓舞，训练过程仍有优化空间。本文提出一种新的神经网络架构，通过引入新的偏差损失项，仅学习从域 A 到 B 的翻译，并消除反向映射（B 到 A）的需要。此外，我们发现并将 Cycle-GAN 的其他若干改进应用于该新架构，显著缩短了训练时长。
引用
@article{arxiv.1802.04467,
title = {An Optimized Architecture for Unpaired Image-to-Image Translation},
author = {Mohan Nikam},
journal= {arXiv preprint arXiv:1802.04467},
year = {2018}
}
备注
Accepted to be published in Springer Advances in Intelligent Systems and Computing (AISC) Series 11156. Accepted for presentation in Springer ICANI (International Conference on Advanced computing, Networking and Informatics)-2018