DisUnknown：为解耦学习蒸馏未知因子
机器学习
2021-09-17 v1 计算机视觉与模式识别
摘要
将数据解耦为可解释且独立的因子对于可控生成任务至关重要。在有标注数据的情况下，监督有助于按预期强制特定因子的分离。然而，标注每一个因子以实现全监督解耦往往代价高昂甚至不可能。本文采用一种通用设定：将所有难以标注或识别的因子封装为单一未知因子。在此设定下，我们提出一种灵活的弱监督多因子解耦框架 DisUnknown，其通过蒸馏未知因子来实现关于标注因子与未知因子的多条件生成。具体而言，采用两阶段训练方法，首先以有效且鲁棒的训练方法解耦未知因子，然后利用未知蒸馏对所有标注因子的恰当解耦训练最终生成器。为证明方法的泛化能力与可扩展性，我们在多个基准数据集上作定性与定量评估，并进一步将其应用于复杂数据集上的多种真实场景。
引用
@article{arxiv.2109.08090,
title = {DisUnknown: Distilling Unknown Factors for Disentanglement Learning},
author = {Sitao Xiang and Yuming Gu and Pengda Xiang and Menglei Chai and Hao Li and Yajie Zhao and Mingming He},
journal= {arXiv preprint arXiv:2109.08090},
year = {2021}
}
备注
Accepted for publication at ICCV 2021. Videos, demos and updates will be published at project website: https://stormraiser.github.io/disunknown/