ClsGAN：基于分类对抗网络的选择性属性编辑模型
计算机视觉与模式识别
2020-07-30 v2 图像与视频处理
摘要
得益于编码器-解码器结构与生成对抗网络（GAN），属性编辑近年来取得了显著进展。然而，在生成具有准确属性变换的高质量图像方面仍存在挑战。针对这些问题，本工作提出了一种基于分类对抗网络（称为 ClsGAN）的新型选择性属性编辑模型，该模型在属性迁移准确度与照片级真实感图像之间表现出良好平衡。考虑到编辑图像由于编码器-解码器结构中的跳跃连接而易受原始属性影响，提出了上层卷积残差网络（称为 Tr-resnet）以从源图像和目标标签中选择性提取信息。此外，为了进一步提高生成图像的迁移准确度，引入了属性对抗分类器（称为 Atta-cls），通过学属性迁移图像的缺陷从属性角度引导生成器。在 CelebA 上的实验结果表明，我们的 ClsGAN 在图像质量和迁移准确度上优于当前最优方法。此外，还设计了消融实验以验证 Tr-resnet 和 Atta-cls 的优异性能。
引用
@article{arxiv.1910.11764,
title = {ClsGAN: Selective Attribute Editing Model Based On Classification Adversarial Network},
author = {Liu Ying and Heng Fan and Fuchuan Ni and Jinhai Xiang},
journal= {arXiv preprint arXiv:1910.11764},
year = {2020}
}