CDGAN：用于图像到图像转换的循环判别生成对抗网络
计算机视觉与模式识别
2021-11-30 v2 机器学习
图像与视频处理
摘要
生成对抗网络（GANs）为处理图像到图像转换问题开辟了新方向。不同的 GAN 在目标函数中使用具有不同损失的生成器与判别器网络。在生成图像的质量以及接近真实图像方面仍存在待填补的差距。在这项工作中，我们引入了一种新的图像到图像转换网络，名为循环判别生成对抗网络（CDGAN），填补了上述差距。所提出的 CDGAN 通过在 CycleGAN 原始架构之外为循环图像加入额外的判别器网络，生成高质量且更真实的图像。所提出的 CDGAN 在三个图像到图像转换数据集上进行了测试。对定量与定性结果进行了分析，并与最先进的方法进行比较。在三个基线图像到图像转换数据集上比较时，所提出的 CDGAN 方法优于最先进的方法。代码可见于 https://github.com/KishanKancharagunta/CDGAN。
引用
@article{arxiv.2001.05489,
title = {CDGAN: Cyclic Discriminative Generative Adversarial Networks for Image-to-Image Transformation},
author = {Kancharagunta Kishan Babu and Shiv Ram Dubey},
journal= {arXiv preprint arXiv:2001.05489},
year = {2021}
}
备注
Journal of Visual Communication and Image Representation, 2022