基于空间轮廓损失的内容与颜色蒸馏用于学习图像翻译
计算机视觉与模式识别
2019-08-02 v1 机器学习
图像与视频处理
摘要
生成对抗网络已成为图像翻译问题的实际标准。为成功驱动此类模型，必须依赖额外网络，例如判别器和/或感知网络。仅用基于像素的损失训练这些网络通常不足以学习目标分布。本文提出一种在源图像与目标图像间直接计算损失的新方法，可实现形状/内容与颜色/风格的正确蒸馏。我们表明这在典型图像到图像翻译中有用，使我们无需依赖额外网络即可成功驱动生成器。我们在许多困难的图像翻译问题上演示了这一点，如图像到图像域映射、单图像超分辨率与照片级真实感化妆迁移。我们广泛的评估显示了所提公式的有效性及其合成真实感图像的能力。[代码发布：https://github.com/ssarfraz/SPL]
引用
@article{arxiv.1908.00274,
title = {Content and Colour Distillation for Learning Image Translations with the Spatial Profile Loss},
author = {M. Saquib Sarfraz and Constantin Seibold and Haroon Khalid and Rainer Stiefelhagen},
journal= {arXiv preprint arXiv:1908.00274},
year = {2019}
}
备注
BMVC 2019