ILSGAN：用于无监督前景-背景分割的独立层合成
计算机视觉与模式识别
2023-10-10 v4
摘要
无监督前景-背景分割旨在从杂乱背景中提取显著目标，其中生成对抗网络（GAN）方法，尤其是分层 GAN，展现出巨大潜力。然而，在没有人工标注的情况下，它们通常容易产生具有不可忽略的语义与视觉混淆的前景和背景层，称为“信息泄漏”，导致生成分割掩码明显退化。为缓解该问题，我们提出一种简单而有效的显式层独立性建模方法，称为独立层合成 GAN（ILSGAN），通过鼓励前景与背景的差异来追求独立的前景-背景层生成。具体而言，它旨在最小化前景与背景的可见区域和不可见区域之间的互信息，以促进层间独立性。通过深入的理论与实验分析，我们证明显式层独立性建模对抑制信息泄漏至关重要，并带来显著的分割性能提升。此外，我们的 ILSGAN 在复杂真实世界数据上取得了强劲的当前最优生成质量与分割性能。代码见：https://github.com/qrzou/ILSGAN
引用
@article{arxiv.2211.13974,
title = {ILSGAN: Independent Layer Synthesis for Unsupervised Foreground-Background Segmentation},
author = {Qiran Zou and Yu Yang and Wing Yin Cheung and Chang Liu and Xiangyang Ji},
journal= {arXiv preprint arXiv:2211.13974},
year = {2023}
}
备注
Accepted by AAAI 2023 (Oral). Code: https://github.com/qrzou/ILSGAN