用于单边无监督域映射的几何一致生成对抗网络

无监督域映射旨在缺乏配对样本的情况下，通过学习一个函数 $G_{XY}$ 将域 X 翻译到域 Y。在没有配对数据的情况下寻找最优的 $G_{XY}$ 是一个不适定问题，因此需要适当的约束以获得合理的解。最突出的约束之一是循环一致性，它强制由 $G_{XY}$ 翻译的图像通过逆映射 $G_{YX}$ 翻译回输入图像。虽然循环一致性需要同时训练 $G_{XY}$ 和 $G_{YX}$，但最近的研究表明，通过保持图像间的成对距离可以实现单边域映射。尽管循环一致性和距离保持成功地约束了解空间，它们却忽略了简单几何变换不改变图像语义结构这一特殊性质。基于这一特殊性质，我们提出了几何一致生成对抗网络（GcGAN），它实现了单边无监督域映射。GcGAN 将原始图像及其经预定义几何变换得到的对应图像作为输入，并在新域中生成两张图像，同时施加相应的几何一致性约束。几何一致性约束在缩减可能解空间的同时，将正确解保留在搜索空间中。与基线（单独 GAN）以及包括 CycleGAN 和 DistanceGAN 在内的前沿方法的定量与定性比较证明了我们方法的有效性。