基于对比学习引导的无配对图像到图像翻译的 Stochastic Differential Equations
计算机视觉与模式识别
2025-10-07 v1
摘要
无配对图像到图像翻译涉及在缺乏对齐或对应样本的情况下学习源域到目标域的映射。基于评分的扩散模型在生成任务中展现了最先进的性能。其通过随机微分方程(SDEs)逼近复杂数据分布，能够生成高保真且多样化的输出，特别适用于无配对 I2I 设置。在此基础上，对比学习提供了一种无需显式监督或配对数据即可学习语义相似性的强大框架。通过拉近语义相似样本的表征并推远不相似样本的表征，对比方法天然符合无配对翻译的目标。其在特征层面选择性地强制语义一致性，使其特别适用于引导无配对场景下的生成。在本文中，我们提出一种时依赖的对比学习方法，通过将图像及其域不变特征视为正对，训练 SimCLR 模型，从而实现域不变特征的保留并消除域特定特征。所学到的对比模型用于引导预训练的 SDE 完成 I2I 翻译任务。我们在三个常见的无配对 I2I 任务上，对比SDE与多个基线方法进行了实验，采用四项指标进行评估。对比SDE 在 several 指标上实现了与最先进方法相当的效果。此外，我们观察到本模型收敛显著更快，且无需标签监督或分类器训练，为该任务提供了更高效的替代方案。
引用
@article{arxiv.2510.03821,
title = {Contrastive-SDE: Guiding Stochastic Differential Equations with Contrastive Learning for Unpaired Image-to-Image Translation},
author = {Venkata Narendra Kotyada and Revanth Eranki and Nagesh Bhattu Sristy},
journal= {arXiv preprint arXiv:2510.03821},
year = {2025}
}
备注
9 pages, 3 figures