控制多样化图像到图像翻译中的偏差与多样性
计算机视觉与模式识别
2019-07-24 v1
摘要
由于缺少显式的跨域实例配对，非配对图像到图像翻译任务极具挑战性。我们考虑此处多样化图像翻译(DIT)，这是一种更具挑战性的设定，其中一幅图像可有多个合理翻译。这通常通过显式解耦潜表示中的内容与风格，并在保持图像内容的同时采样不同风格编码来实现。尽管当前DIT模型取得成功，它们易于遭受偏差。本文研究图像到图像翻译中的偏差问题。有偏数据集可能将不期望的变化（例如在人脸图像中改变性别或种族）加到输出翻译中，这是目标域中特定底层视觉分布所致。为缓解该问题影响，我们提出使用语义约束以强制保留期望的图像属性。我们提出的模型朝无偏多样化图像到图像翻译(UDIT)迈进了一步，并在仍执行所需变换的同时减少了翻译图像中不需要的改变。在若干严重有偏数据集上的实验显示了所提技术在不同域（如人脸、物体和场景）中的有效性。
引用
@article{arxiv.1907.09754,
title = {Controlling biases and diversity in diverse image-to-image translation},
author = {Yaxing Wang and Abel Gonzalez-Garcia and Joost van de Weijer and Luis Herranz},
journal= {arXiv preprint arXiv:1907.09754},
year = {2019}
}
备注
The paper is under consideration at Computer Vision and Image Understanding