DLOW：用于自适应与泛化的域流
计算机视觉与模式识别
2019-05-14 v2
摘要
在这项工作中，我们提出一种域流生成（DLOW）模型，通过生成一个从一个域流向另一个域的连续中间域序列来桥接两个不同的域。我们的 DLOW 模型的益处有两方面。首先，它能够将源图像转换为中间域中的不同风格。被转换的图像平滑地弥合了源域与目标域之间的差距，从而简化了域自适应任务。其次，当提供多个目标域用于训练时，我们的 DLOW 模型还能够生成训练数据中未见的新风格图像。我们基于 CycleGAN 实现 DLOW 模型。引入一个域性变量以引导模型生成所需的中间域图像。在推理阶段，可通过改变域性变量获得各种风格图像的流。我们在基准数据集上展示了我们的模型在跨域语义分割与风格泛化任务上的有效性。我们的实现可在 https://github.com/ETHRuiGong/DLOW 获取。
引用
@article{arxiv.1812.05418,
title = {DLOW: Domain Flow for Adaptation and Generalization},
author = {Rui Gong and Wen Li and Yuhua Chen and Luc Van Gool},
journal= {arXiv preprint arXiv:1812.05418},
year = {2019}
}
备注
Accepted to CVPR 2019 (oral)