通过交替 MCMC 教学学习循环一致的合作网络用于无监督跨域翻译
计算机视觉与模式识别
2021-03-09 v1
摘要
本文通过提出一种生成式框架研究无监督跨域翻译问题，其中每个域的概率分布由一个生成合作网络表示，该网络由基于能量的模型与潜变量模型组成。生成合作网络的使用使得能够通过 MCMC 教学对域模型进行最大似然学习，其中基于能量的模型试图拟合域的数据分布并通过 MCMC 将其知识蒸馏到潜变量模型。具体而言，在 MCMC 教学过程中，由编码器-解码器参数化的潜变量模型将源域样本映射到目标域，而基于能量的模型通过 Langevin 修正进一步精炼映射结果，使得修正后的结果在由所学能量函数定义的统计性质上与目标域样本相匹配。为建立两个无配对域之间的对应，所提框架通过交替 MCMC 教学同时学习一对具有循环一致性的合作网络，实现两域间的双向翻译。实验表明，所提框架对无监督图像到图像翻译及无配对图像序列翻译均有效。
引用
@article{arxiv.2103.04285,
title = {Learning Cycle-Consistent Cooperative Networks via Alternating MCMC Teaching for Unsupervised Cross-Domain Translation},
author = {Jianwen Xie and Zilong Zheng and Xiaolin Fang and Song-Chun Zhu and Ying Nian Wu},
journal= {arXiv preprint arXiv:2103.04285},
year = {2021}
}
备注
The Thirty-Fifth AAAI Conference on Artificial Intelligence (AAAI) 2021