CrossNet：用于无配对图像翻译的隐空间交叉一致性
机器学习
2019-05-28 v2 计算机视觉与模式识别
机器学习
摘要
近期基于 GAN 的架构在图像到图像翻译这一通用任务上已能给出令人印象深刻的性能。特别地，研究表明，无需在图像间建立显式配对，即可从包含两个不同域图像的两组图像中学习到多种图像翻译算子。这得益于引入巧妙的正则化项以克服无配对翻译问题的欠约束本质。本工作中，我们提出一种用于无配对图像翻译的新架构，并探索由其启用的若干新正则化项。具体而言，我们的架构包含一对 GAN，以及一对连接各自隐空间 translator。这些交叉 translator 使我们能够对所学图像翻译算子施加若干正则化约束，统称为隐空间交叉一致性（latent cross-consistency）。我们的结果表明，所提架构与隐空间交叉一致性约束能够在多种图像翻译任务上超越现有 SOTA。
引用
@article{arxiv.1901.04530,
title = {CrossNet: Latent Cross-Consistency for Unpaired Image Translation},
author = {Omry Sendik and Dani Lischinski and Daniel Cohen-Or},
journal= {arXiv preprint arXiv:1901.04530},
year = {2019}
}