嵌入旋转对称性先验的图像到图像翻译框架
计算机视觉与模式识别
2026-04-15 v1
摘要
图像到图像翻译（I2I）是计算机视觉中的基础任务，旨在将输入图像从源域映射到目标域中的对应图像，同时保持域不变特征并适应域特定属性。尽管深度学习方法在I2I任务中取得了显著成功，但缺乏配对数据及无监督学习框架仍限制了其效果。本文通过将转换对称性先验嵌入图像到图像翻译网络来解决上述挑战。具体而言，我们引入旋转群等变卷积，以实现旋转等变I2I框架，据我们所知，这是该研究方向上的 novel contribution。该设计确保在网络整个过程中保持旋转对称性——这是自然图像和科学图像中最内在且域不变的属性之一。此外，我们对图像对称性先验在真实数据集上的系统性研究，提出了一种 novel transformation learnable equivariant convolutions（可学习等变卷积，TL-Conv），该方法能够适应性地学习转换群，从而在不同数据集之间增强对称性保持。我们还对TL-Conv的等变误差进行了理论分析，证明其在连续域中保持精确等变性，并给出离散情况下的误差上界。在广泛的I2I任务实验中，我们验证了该方法的有效性与卓越性能，凸显了等变网络在提升生成质量方面的潜力及其广泛的适用性。我们的代码已公开于 https://github.com/tanfy929/Equivariant-I2I
引用
@article{arxiv.2604.12805,
title = {Image-to-Image Translation Framework Embedded with Rotation Symmetry Priors},
author = {Feiyu Tan and Heran Yang and Qihong Duan and Kai Ye and Qi Xie and Deyu Meng},
journal= {arXiv preprint arXiv:2604.12805},
year = {2026}
}
备注
17 pages, 8 figures, submiting to TPAMI