DSRGAN：无元组监督下显式学习底层结构与渲染的解耦表示用于图像生成
机器学习
2019-10-01 v1 计算机视觉与模式识别
图形学
机器学习
摘要
我们专注于为自然图像生成显式学习解耦表示，其中底层空间结构与结构上的渲染可分别独立控制，且不使用元组监督。该设定具有重要意义，因为元组监督成本高昂且有时甚至不可得。然而，该任务高度无约束，因而不适定。为解决这个问题，我们提出引入一个与目标域共享公共底层结构空间的辅助域，并做出部分共享潜空间假设。核心思想是促使部分共享潜变量表示两域中相似的底层空间结构，而两个域特定的潜变量将不可避免地分别呈现两域的渲染。这通过设计两个带有公共渐进渲染架构（PRA）的并行生成网络实现，该架构约束两个生成网络的行为以建模共享底层结构并建模渲染与底层结构间空间依赖关系。因此，我们提出DSRGAN（用于解耦底层结构与渲染的GANs）来实例化我们的方法。我们还提出一种定量准则（归一化解耦度）来量化解耦能力。与最先进方法的比较表明，DSRGAN在解耦度上显著优于它们。
引用
@article{arxiv.1909.13501,
title = {DSRGAN: Explicitly Learning Disentangled Representation of Underlying Structure and Rendering for Image Generation without Tuple Supervision},
author = {Guang-Yuan Hao and Hong-Xing Yu and Wei-Shi Zheng},
journal= {arXiv preprint arXiv:1909.13501},
year = {2019}
}