DualGAN：用于图像到图像转换的无监督对偶学习
计算机视觉与模式识别
2018-10-12 v4
摘要
条件生成对抗网络（GAN）在跨域图像到图像转换方面最近取得了很大进展。根据任务复杂度，训练条件 GAN 需要成千上万到数百万对标注图像对。然而，人工标注昂贵甚至不切实际，大量数据并不总是可用。受自然语言翻译中的对偶学习启发，我们开发了一种新颖的对偶 GAN 机制，使图像转换器能够从两个域的两组无标签图像中训练。在我们的架构中，原始 GAN 学习将域 U 的图像转换为域 V 的图像，而对偶 GAN 学习反向任务。由原始和对偶任务形成的闭环允许将任一域的图像转换后再重建。因此，可以使用考虑图像重建误差的损失函数来训练转换器。在多个使用无标签数据的图像转换任务实验中，DualGAN 相比单一 GAN 表现出显著的性能提升。对于某些任务，DualGAN 甚至能达到与在完全标注数据上训练的条件 GAN 相当或略好的结果。
引用
@article{arxiv.1704.02510,
title = {DualGAN: Unsupervised Dual Learning for Image-to-Image Translation},
author = {Zili Yi and Hao Zhang and Ping Tan and Minglun Gong},
journal= {arXiv preprint arXiv:1704.02510},
year = {2018}
}
备注
Accepted by ICCV 2017