用于隐私保护图像到图像翻译的联邦 CycleGAN

诸如 CycleGAN 的无监督图像到图像翻译方法利用来自不同领域的非配对训练数据集学习将图像从一域转换至另一域。遗憾的是，这些方法仍需要集中收集的非配对数据，可能违反隐私与安全规范。尽管近期的联邦学习（FL）允许神经网络在不交换数据的情况下训练，但 FL 的基本假设是所有客户端拥有来自相似领域的各自训练数据，这不同于我们的图像到图像翻译场景：每个客户端拥有其独特领域的图像，目标是在不访问目标域数据的情况下学习不同领域间的图像翻译。为此，本文提出一种新颖的联邦 CycleGAN 架构，能以无监督方式学习图像翻译，同时维护数据隐私。具体而言，我们的方法源于一个新颖发现：CycleGAN 损失可分解为客户端特定局部目标之和，这些局部目标仅使用其自身数据即可评估。该局部目标分解使得多个客户端能参与联邦 CycleGAN 训练而不牺牲性能。此外，我们的方法采用基于自适应实例归一化（AdaIN）的可切换生成器与判别器架构，显著降低了联邦学习的带宽需求。我们在各类无监督图像翻译任务上的实验结果表明，我们的联邦 CycleGAN 提供了与非联邦对应方法相当的性能。