分离与适配：学习跨域解耦深度表示

表示学习旨在推导用于描述视觉数据的可解释特征，而表示解耦进一步产生此类特征，以便识别和操控特定图像属性。然而，若未观察到训练数据的真值标注，则难以解决此任务。为解决该问题，我们提出了一种新颖的深度学习模型——跨域表示解耦器（Cross-Domain Representation Disentangler, CDRD）。通过观测完全标注的源域数据和感兴趣的无标签目标域数据，我们的模型跨越数据域桥接信息并相应地迁移属性信息。因此，跨域联合特征解耦与适配可同时执行。在实验中，我们提供定性结果来验证我们的解耦能力。此外，我们进一步确认我们的模型可应用于解决无监督域适应的分类任务，并且相对于最先进的图像解耦与翻译方法表现更优。