CR-GAN：面向多视图生成的完整表示学习
计算机视觉与模式识别
2018-07-02 v1
摘要
从单视图输入生成多视图图像是一个重要且具有挑战性的问题，在视觉、图形学和机器人学中有广泛应用。我们的研究表明，广泛使用的生成对抗网络（GAN）由于单通路框架（编码器-解码器网络后接判别器网络）可能学习到“不完整”的表示。我们提出CR-GAN来解决该问题。除单一重建通路外，我们引入一条生成旁路以保持所学嵌入空间的完整性。两条学习通路以参数共享的方式协作与竞争，显著提升了对“未见”数据集的泛化能力。更重要的是，双通路框架使得结合有标签与无标签数据进行自监督学习成为可能，进一步丰富了用于真实生成的嵌入空间。实验结果证明，CR-GAN显著优于现有最优方法，尤其在野生条件下从“未见”输入生成时。
引用
@article{arxiv.1806.11191,
title = {CR-GAN: Learning Complete Representations for Multi-view Generation},
author = {Yu Tian and Xi Peng and Long Zhao and Shaoting Zhang and Dimitris N. Metaxas},
journal= {arXiv preprint arXiv:1806.11191},
year = {2018}
}
备注
7 pages, 9 figures, accepted by IJCAI 2018