增强型CycleGAN：从无配对数据学习多对多映射
机器学习
2018-06-20 v2
摘要
从无配对数据学习域间映射可通过减少对配对数据的需求，提升结构化预测任务（如图像分割）的性能。CycleGAN近期被提出用于该问题，但其关键假设潜在的域间映射近似为确定性与一对一的。该假设使模型在需要灵活的多对多映射的任务中失效。我们提出一种称为增强型CycleGAN（Augmented CycleGAN）的新模型，其学习域间的多对多映射。我们在多个图像数据集上从定性与定量两方面检验了Augmented CycleGAN。
引用
@article{arxiv.1802.10151,
title = {Augmented CycleGAN: Learning Many-to-Many Mappings from Unpaired Data},
author = {Amjad Almahairi and Sai Rajeswar and Alessandro Sordoni and Philip Bachman and Aaron Courville},
journal= {arXiv preprint arXiv:1802.10151},
year = {2018}
}
备注
ICML 2018