学习两幅图像数据集之间的共性与显著生成因子
计算机视觉与模式识别
2025-12-16 v1
摘要
近期图像合成技术的进步实现了高质量图像生成与操控。大多数工作聚焦于：1）条件操控，即根据给定属性修改图像，或 2）解耦表示学习，即每个潜在方向应代表一个独立的语义属性。本文关注一个不同且较少被研究的问题，称为对比分析（CA）。给定两幅图像数据集，我们希望将跨两数据集共享的共性生成因子与仅属于某一数据集的显著因子分离开来。与现有使用属性作为编辑监督信号的方法（例如眼镜、性别）相比，所提方法更弱，因为它仅使用数据集信号。我们提出了一种新颖的 CA 框架，可适配于 GAN 和扩散模型，以学习共性与显著因子。通过定义新的且适配良好的学习策略与损失函数，我们确保了共性与显著因子之间的有效分离，同时保持高质量的生成。我们在涵盖人脸、动物图像与医学扫描的多样化数据集上评估了所提方法。与先前方法相比，我们的框架在分离能力与图像合成质量方面表现出优越性。
引用
@article{arxiv.2512.12800,
title = {Learning Common and Salient Generative Factors Between Two Image Datasets},
author = {Yunlong He and Gwilherm Lesné and Ziqian Liu and Michaël Soumm and Pietro Gori},
journal= {arXiv preprint arXiv:2512.12800},
year = {2025}
}
备注
This is the author's version of a work submitted to IEEE for possible publication. The final version may differ from this version