GANSeg：通过无监督分层图像生成学习分割
计算机视觉与模式识别
2022-10-11 v3
摘要
将图像分割为若干部分是图像编辑等高层视觉任务的常见预处理步骤。然而，为有监督训练标注掩码代价高昂。现有弱监督与无监督方法依赖于图像对的比较，如多视角、视频帧和图像增强，这限制了其适用性。为此，我们提出一种基于 GAN 的方法，以潜在掩码为条件生成图像，从而缓解先前方法所需的全监督或弱监督标注。我们表明，当以分层方式将掩码条件化于显式定义部件位置的潜在关键点时，可忠实学习此类掩码条件图像生成。无需掩码或关键点监督，该策略提升了对视角和物体位置变化的鲁棒性。它还使我们能生成图像-掩码对用于训练分割网络，该网络在权威基准上优于最先进的无监督分割方法。
引用
@article{arxiv.2112.01036,
title = {GANSeg: Learning to Segment by Unsupervised Hierarchical Image Generation},
author = {Xingzhe He and Bastian Wandt and Helge Rhodin},
journal= {arXiv preprint arXiv:2112.01036},
year = {2022}
}
备注
CVPR 2022