用于多样解耦前景生成的对比学习
计算机视觉与模式识别
2022-11-08 v1
摘要
我们提出了一种新颖的多样前景生成方法,可对多种因子进行显式控制。现有的基于图像修复的前景生成方法往往难以生成多样结果,且很少允许用户显式控制特定的变化因子(例如为人脸修复结果改变面部身份或表情)。我们利用带潜码的对比学习,为同一掩码输入生成多样的前景结果。具体而言,我们定义两组潜码,其中一组控制预定义因子(“已知”),另一组控制其余因子(“未知”)。从两组中采样的潜码共同双调制卷积核,以引导生成器合成多样结果。实验证明了我们的方法在结果多样性与生成可控性上优于现有最优方法。
引用
@article{arxiv.2211.02707,
title = {Contrastive Learning for Diverse Disentangled Foreground Generation},
author = {Yuheng Li and Yijun Li and Jingwan Lu and Eli Shechtman and Yong Jae Lee and Krishna Kumar Singh},
journal= {arXiv preprint arXiv:2211.02707},
year = {2022}
}
备注
ECCV 2022