CSGAN：用于图像到图像转换的循环合成生成对抗网络
计算机视觉与模式识别
2019-01-14 v1
摘要
图像到图像转换的主要动机是将一个域的图像转换为另一个域。大多数研究集中于一组预定义域的图像转换任务。很少有报道真正为不同域的图像到图像转换开发通用框架。随着生成对抗网络（GAN）作为图像生成问题通用框架的引入，图像到图像转换领域出现了巨大增长。大多数研究关注于图像到图像转换的合适目标函数。在本文中，我们提出一种新的循环合成生成对抗网络（CSGAN）用于图像到图像转换。所提出的 CSGAN 使用一种称为循环合成损失（CS）的新目标函数（损失），用于一个域的合成图像与另一域的循环图像之间。所提出 CSGAN 的性能在两个基准图像到图像转换数据集上评估，包括 CUHK 人脸数据集和 CMP 建筑立面数据集。结果使用广泛使用的评估指标如 MSE、SSIM、PSNR 和 LPIPS 计算。所提出 CSGAN 方法的实验结果并与最新最先进方法如 GAN、Pix2Pix、DualGAN、CycleGAN 和 PS2GAN 比较。所提出的 CSGAN 技术在 CUHK 数据集上优于所有方法，并在 Facades 数据集上在定性和定量度量方面表现出有前景且可比的性能。代码可在 https://github.com/KishanKancharagunta/CSGAN 获取。
引用
@article{arxiv.1901.03554,
title = {CSGAN: Cyclic-Synthesized Generative Adversarial Networks for Image-to-Image Transformation},
author = {Kishan Babu Kancharagunta and Shiv Ram Dubey},
journal= {arXiv preprint arXiv:1901.03554},
year = {2019}
}