ComboGAN：图像域翻译的无约束可扩展性
计算机视觉与模式识别
2017-12-20 v1
摘要
仅今年一年，基于学习的图像翻译领域就取得了前所未有的飞跃，即 Zhu 等人提出的 CycleGAN。但迄今为止的实验仅针对两个域同时进行定制，将其扩展到更多域将需要训练二次方数量的模型。鉴于双域模型在当前硬件上需数日训练，域的数量很快便受限于处理它们所需的时间和资源。本文提出一种多组件图像翻译模型及训练方案，其随域数量的增加在资源消耗和所需时间上均呈线性扩展。我们在 14 位不同艺术家的绘画数据集以及阿尔卑斯山四季图像上展示了其能力。需注意，14 个数据组将需要 (14 choose 2) = 91 个不同的 CycleGAN 模型：共计 182 个生成器/判别器对；而我们的模型仅需 14 个生成器/判别器对。
引用
@article{arxiv.1712.06909,
title = {ComboGAN: Unrestrained Scalability for Image Domain Translation},
author = {Asha Anoosheh and Eirikur Agustsson and Radu Timofte and Luc Van Gool},
journal= {arXiv preprint arXiv:1712.06909},
year = {2017}
}
备注
Source code provided here: https://github.com/AAnoosheh/ComboGAN