CycleGAN的核作为主齐性空间
机器学习
2020-01-27 v1 计算机视觉与模式识别
机器学习
摘要
由于CycleGAN的提出，无配对图像到图像翻译引起了极大关注，该方法利用对抗损失与循环一致性损失的组合来避免对配对数据的需求。已知CycleGAN问题可能存在多个解，本文旨在分析精确解的空间，并给出近似解的扰动界。我们从理论上证明，精确解空间关于底层概率空间的自同构是不变的，并且自同构群在精确解空间上自由且可递地作用。我们首先在一般意义上考察零“纯”CycleGAN损失的情形，随后将分析扩展到包含恒等损失项的“扩展”CycleGAN损失的近似解。为证明这些结果具有适用性，我们表明在温和条件下存在非平凡光滑自同构。此外，我们提供了经验证据，表明神经网络能够以出乎意料且不受欢迎的结果学习这些自同构。我们得出结论：寻求CycleGAN损失的最优解未必能在图像到图像翻译任务中带来预期结果，且潜在的隐藏对称性可能使结果完全无用。
引用
@article{arxiv.2001.09061,
title = {Kernel of CycleGAN as a Principle homogeneous space},
author = {Nikita Moriakov and Jonas Adler and Jonas Teuwen},
journal= {arXiv preprint arXiv:2001.09061},
year = {2020}
}
备注
Accepted at ICLR 2020