LOGAN：隐空间过完备表示下的非配对形状变换
计算机视觉与模式识别
2019-09-04 v3 图形学
机器学习
摘要
我们提出 LOGAN，一种旨在从非配对域学习通用形状变换的深度神经网络。该网络在两组形状（例如桌子和椅子）上训练，而域间既无作为监督的形状配对，也无任何形状间的逐点对应。一旦训练完成，LOGAN 取一个域中的形状并将其变换为另一个域中的形状。我们的网络由一个自编码器组成，用于将来自两个输入域的形状编码到一个公共隐空间，其中隐码拼接多尺度形状特征，形成过完备表示。翻译器基于生成对抗网络（GAN），在隐空间中运作，其中对抗损失强制跨域翻译，而特征保持损失确保为自然的形状变换保留正确的形状特征。我们进行消融实验以验证各项关键网络设计，并在多种例子上展示相较于基线和最先进方法在非配对形状变换上的优越能力。我们表明，LOGAN 能够学习在形状翻译过程中保留哪些形状特征，无论是局部还是非局部、内容还是风格，仅取决于用于训练的输入域。
引用
@article{arxiv.1903.10170,
title = {LOGAN: Unpaired Shape Transform in Latent Overcomplete Space},
author = {Kangxue Yin and Zhiqin Chen and Hui Huang and Daniel Cohen-Or and Hao Zhang},
journal= {arXiv preprint arXiv:1903.10170},
year = {2019}
}
备注
Download supplementary material here -> https://kangxue.org/papers/logan_supp.pdf