基于多类自动生成配对训练数据的草图到图像翻译模型性能考察
计算机视觉与模式识别
2018-11-02 v1
摘要
图像翻译是一项计算机视觉任务,涉及将场景的一种表示翻译为另一种表示。已有多种方法被提出并取得了高度理想的结果。然而,其实现需要大量配对训练数据,而这类数据获取成本高昂。因此,翻译模型通常在精心且费力设计的配对训练数据集上训练。我们的工作聚焦于通过自动生成的配对数据进行学习。我们提出一种方法,使用对抗网络从图像生成假草图,然后将图像与相应假草图配对,形成大规模多类配对训练数据以训练草图到图像翻译模型。我们的模型是一种编码器-解码器架构,其中编码器从图像生成假草图,解码器执行草图到图像翻译。定性结果表明,该编码器可用于在低监督下生成大规模多类配对数据。我们当前的数据集包含来自 256 个不同类别的 61255 个图像与(假)草图对。由于我们对人工标注数据的依赖较弱,这些数字未来可大幅增加。
引用
@article{arxiv.1811.00249,
title = {Examining Performance of Sketch-to-Image Translation Models with Multiclass Automatically Generated Paired Training Data},
author = {Dichao Hu},
journal= {arXiv preprint arXiv:1811.00249},
year = {2018}
}
备注
6 pages 3 figures