用于多域图像到图像翻译的双生成器生成对抗网络
计算机视觉与模式识别
2019-01-16 v1
摘要
使用生成对抗网络（GANs）的现有图像到图像翻译方法可以利用非配对图像数据学习从一个域到另一个域的映射。然而，这些方法需要为每一对图像域训练一个特定模型，这限制了在处理两个以上图像域时的可扩展性。此外，这些方法的训练阶段普遍存在模型坍缩问题，降低了生成图像的质量。为解决这些问题，我们提出双生成器生成对抗网络（GGAN），这是一种鲁棒且可扩展的方法，允许在单一模型内仅使用双生成器进行多域非配对图像到图像翻译。此外，我们探索了不同的优化损失以更好地训练 GGAN，从而实现具有更高一致性和更好稳定性的非配对图像到图像翻译。在六个具有不同场景（即建筑、季节、风景和人脸）的公开数据集上的大量实验表明，与现有的图像到图像翻译 GAN 模型相比，所提出的 GGAN 实现了更优的模型容量和更好的生成性能。
引用
@article{arxiv.1901.04604,
title = {Dual Generator Generative Adversarial Networks for Multi-Domain Image-to-Image Translation},
author = {Hao Tang and Dan Xu and Wei Wang and Yan Yan and Nicu Sebe},
journal= {arXiv preprint arXiv:1901.04604},
year = {2019}
}
备注
16 pages, 7 figures, accepted to ACCV 2018