少样本无监督图像到图像翻译
计算机视觉与模式识别
2019-09-10 v2 人工智能
图形学
多媒体
机器学习
摘要
无监督图像到图像翻译方法学习将给定类别中的图像映射到不同类别中的类似图像，其依托于非配准的图像数据集。尽管取得了显著成功，当前方法在训练时需要访问源类和目标类中的大量图像。我们认为这极大限制了它们的使用。受人类从少量样本中抓住新对象本质并由此泛化的能力启发，我们寻求一种少样本无监督图像到图像翻译算法，该算法适用于此前未见过的目标类，这些类在测试时仅由少量示例图像指定。我们的模型通过将对抗训练方案与一种新颖的网络设计相结合，实现了这一少样本生成能力。通过在基准数据集上与若干基线方法进行广泛的实验验证与比较，我们证实了所提框架的有效性。我们的实现与数据集可在 https://github.com/NVlabs/FUNIT 获取。
引用
@article{arxiv.1905.01723,
title = {Few-Shot Unsupervised Image-to-Image Translation},
author = {Ming-Yu Liu and Xun Huang and Arun Mallya and Tero Karras and Timo Aila and Jaakko Lehtinen and Jan Kautz},
journal= {arXiv preprint arXiv:1905.01723},
year = {2019}
}
备注
The paper will be presented at the International Conference on Computer Vision (ICCV) 2019