利用循环一致变分自编码器解耦图像中的变化因素
计算机视觉与模式识别
2018-05-08 v1
摘要
学习图像中不同变化因素的解耦表示的生成模型对于定向数据增强非常有用。通过对感兴趣的解耦潜在子空间进行采样，我们可以高效地生成特定任务所需的新数据。学习解耦表示是一个具有挑战性的问题，尤其当某些变化因素难以标注时。在本文中，我们提出了一种新颖的架构，仅使用成对相似性标签形式的弱监督，将潜在空间解耦为两个互补的子空间。受近期循环一致对抗架构成功的启发，我们在变分自编码器框架中使用了循环一致性。我们的非对抗方法与近期将对抗训练与自编码器结合以解耦表示的工作形成对比。我们在三个数据集上展示了令人信服的解耦潜在子空间结果，并与利用对抗训练的最新工作进行了比较。
引用
@article{arxiv.1804.10469,
title = {Disentangling Factors of Variation with Cycle-Consistent Variational Auto-Encoders},
author = {Ananya Harsh Jha and Saket Anand and Maneesh Singh and V. S. R. Veeravasarapu},
journal= {arXiv preprint arXiv:1804.10469},
year = {2018}
}