学会迁移：无监督元域翻译
计算机视觉与模式识别
2019-09-11 v3
摘要
无监督域翻译近期借助生成对抗网络（GAN）和充足的（非配对）训练数据取得了令人印象深刻的性能。然而，现有的域翻译框架以一次性方式构建，其学习经验被忽略，且所获模型无法适配新到来的域。本工作中，我们从元学习视角看待无监督域翻译问题。我们提出一种称为元翻译GAN（MT-GAN）的模型来寻找翻译模型的良好初始化。在元训练过程中，MT-GAN被显式地以主翻译任务和合成的双重翻译任务进行训练。设计了一个循环一致性元优化目标以保证泛化能力。我们在十个不同的双域翻译任务和多人脸身份翻译任务上展示了模型的有效性。我们表明，当每个域包含不超过十个训练样本时，我们所提方法显著优于现有域翻译方法。
引用
@article{arxiv.1906.00181,
title = {Learning to Transfer: Unsupervised Meta Domain Translation},
author = {Jianxin Lin and Yijun Wang and Tianyu He and Zhibo Chen},
journal= {arXiv preprint arXiv:1906.00181},
year = {2019}
}
备注
10 pages, 2 figures