用于无配对图像到图像翻译的增强循环一致性正则化
计算机视觉与模式识别
2020-10-13 v2 机器学习
摘要
由于生成对抗网络（GAN）的近期进展，无配对图像到图像（I2I）翻译在模式识别与计算机视觉中受到相当关注。然而，由于缺乏显式监督，无配对 I2I 模型常难以生成逼真图像，尤其在具有不同背景与姿态的挑战性数据集上。因此，稳定化对 GAN 与 I2I 翻译应用不可或缺。本文中，我们提出增强循环一致性正则化（ACCR），一种用于无配对 I2I 翻译的新型正则化方法。我们的核心思想是利用真实、生成、重建与增强样本，在判别器上施加源自半监督学习的一致性正则化。我们正则化判别器，使其在输入原始图像与扰动图像对时输出相似预测。我们从定性上阐明了为何对生成与重建样本的一致性正则化效果良好。在定量上，我们的方法在真实世界翻译中优于一致性正则化 GAN（CR-GAN），并展示出针对若干数据增强变体与循环一致约束的有效性。
关键词
引用
@article{arxiv.2003.00187,
title = {Augmented Cyclic Consistency Regularization for Unpaired Image-to-Image Translation},
author = {Takehiko Ohkawa and Naoto Inoue and Hirokatsu Kataoka and Nakamasa Inoue},
journal= {arXiv preprint arXiv:2003.00187},
year = {2020}
}
备注
Accepted to ICPR2020