CollaGAN：用于缺失图像数据填补的协作式生成对抗网络
计算机视觉与模式识别
2019-05-01 v3 机器学习
机器学习
摘要
在许多需要多个输入以获得期望输出的应用中，如果任一输入数据缺失，往往会引入大量偏差。尽管已开发了许多用于填补缺失数据的技术，但由于自然图像的复杂性，图像填补仍然困难。为解决此问题，我们在此提出一种用于缺失图像数据填补的新框架，称为协作式生成对抗网络（Collaborative Generative Adversarial Network, CollaGAN）。CollaGAN将图像填补问题转化为多域图像到图像翻译任务，使得单个生成器和判别器网络能够利用剩余的干净数据集成功估计缺失数据。我们证明，在各种图像填补任务中，与现有的竞争方法相比，CollaGAN生成的图像具有更高的视觉质量。
引用
@article{arxiv.1901.09764,
title = {CollaGAN : Collaborative GAN for Missing Image Data Imputation},
author = {Dongwook Lee and Junyoung Kim and Won-Jin Moon and Jong Chul Ye},
journal= {arXiv preprint arXiv:1901.09764},
year = {2019}
}
备注
CVPR 2019 Camera Ready Version (oral presentation)