DRANet：面向无监督跨域适应的表示解耦与自适应解耦网络
计算机视觉与模式识别
2021-03-30 v2
摘要
本文提出 DRANet，一种在潜空间中对图像表示进行解耦并迁移视觉属性以实现无监督跨域适应的网络架构。不同于现有学习共享域的关联特征的域适应方法，DRANet 保留了每个域特征的独特性。我们的模型从源域和目标域图像中分别编码内容（场景结构）与风格（艺术外观）的个体表示，随后通过将迁移的风格因子与针对每个域指定的可学习权重一同融入内容因子来实现域适应。该学习框架允许使用单一编码器-解码器网络进行双向/多向域适应，并对其域偏移进行对齐。此外，我们提出内容自适应域迁移模块，可在迁移风格的同时帮助保留场景结构。大量实验表明，我们的模型成功分离了内容-风格因子并合成了视觉上令人满意的域迁移图像。所提方法在标准数字分类任务及语义分割任务上均展现出最先进的性能。
引用
@article{arxiv.2103.13447,
title = {DRANet: Disentangling Representation and Adaptation Networks for Unsupervised Cross-Domain Adaptation},
author = {Seunghun Lee and Sunghyun Cho and Sunghoon Im},
journal= {arXiv preprint arXiv:2103.13447},
year = {2021}
}
备注
Accepted to CVPR 2021