面向任意风格迁移与域泛化的精确特征分布匹配
计算机视觉与模式识别
2022-03-28 v2
摘要
任意风格迁移（AST）与域泛化（DG）是重要且具有挑战性的视觉学习任务，可视为特征分布匹配问题。在特征分布为高斯分布的假设下，传统的特征分布匹配方法通常匹配特征的均值和标准差。然而，真实世界数据的特征分布通常远比高斯分布复杂，仅使用一阶和二阶统计量无法精确匹配，而使用高阶统计量进行分布匹配在计算上又难以承受。在本工作中，据我们所知我们首次提出通过精确匹配图像特征的经验累积分布函数（eCDFs）来实现精确特征分布匹配（EFDM），这可通过在图像特征空间中应用精确直方图匹配（EHM）来实现。特别地，我们采用一种名为 Sort-Matching 的快速 EHM 算法以即插即用的方式以最小代价执行 EFDM。我们所提 EFDM 方法的有效性在多种 AST 和 DG 任务上得到验证，展示了新的最先进结果。代码见 https://github.com/YBZh/EFDM。
引用
@article{arxiv.2203.07740,
title = {Exact Feature Distribution Matching for Arbitrary Style Transfer and Domain Generalization},
author = {Yabin Zhang and Minghan Li and Ruihuang Li and Kui Jia and Lei Zhang},
journal= {arXiv preprint arXiv:2203.07740},
year = {2022}
}
备注
To appear in CVPR2022; codes and supplementary material are available at: https://github.com/YBZh/EFDM