DualDis：基于对抗学习的双分支解耦
计算机视觉与模式识别
2019-06-04 v1
摘要
在计算机视觉中，解耦技术旨在通过建模变化因子来改进图像的潜在表示。本文中，我们提出 DualDis，一种基于自编码器的新框架，可解耦并线性化类别与属性信息。这是通过一个强制两类信息分离的双分支架构实现的，并配有用于图像重建与生成的解码器。为有效分离信息，我们提出结合常规分类器与对抗分类器，以引导两个分支分别专用于类别与属性信息。我们还研究了利用半监督学习以在仅使用少量标签时也能有效解耦的可能性。我们利用潜在空间的线性化特性进行语义图像编辑与新图像生成。我们在 CelebA、Yale-B 和 NORB 上通过分类指标、视觉图像操控和数据增强验证了方法的信息分离效率。
引用
@article{arxiv.1906.00804,
title = {DualDis: Dual-Branch Disentangling with Adversarial Learning},
author = {Thomas Robert and Nicolas Thome and Matthieu Cord},
journal= {arXiv preprint arXiv:1906.00804},
year = {2019}
}