CoMoGAN：连续模型引导的图像到图像翻译
计算机视觉与模式识别
2022-06-30 v3 人工智能
机器学习
摘要
CoMoGAN 是一种连续的 GAN，依赖于目标数据在泛函流形上的无监督重组。为此，我们引入一种新的泛函实例归一化层与残差机制，二者共同将图像内容从目标流形上的位置解耦。我们借助受朴素物理学启发的模型来引导训练，同时允许私有的模型/翻译特征。CoMoGAN 可与任何 GAN 骨干网配合使用，并支持新型图像翻译，如时序生成之类的循环图像翻译，或分离式线性翻译。在所有数据集上，它均优于现有文献。我们的代码发布于 http://github.com/cv-rits/CoMoGAN 。
引用
@article{arxiv.2103.06879,
title = {CoMoGAN: continuous model-guided image-to-image translation},
author = {Fabio Pizzati and Pietro Cerri and Raoul de Charette},
journal= {arXiv preprint arXiv:2103.06879},
year = {2022}
}
备注
CVPR 2021 oral