ManiFest：用于少样本图像翻译的流形形变
计算机视觉与模式识别
2022-07-21 v3 人工智能
机器学习
机器人学
摘要
大多数图像到图像翻译方法需要大量训练图像，这限制了它们的适用性。我们转而提出 ManiFest：一个少样本图像翻译框架，仅从少量图像中学习目标域的上下文感知表示。为了强制特征一致性，我们的框架在源域和代理锚定域（假定由大量图像组成）之间学习一个风格流形。所学习的流形通过基于块的对抗和特征统计对齐损失被插值并形变为少样本目标域。所有这些组件在单个端到端循环中同时训练。除了通用的少样本翻译任务外，我们的方法还可以选择性地以单张范例图像为条件来复现其特定风格。大量实验证明了 ManiFest 在多个任务上的有效性，在所有指标上以及通用和基于范例的场景中都优于最先进水平。我们的代码可在 https://github.com/cv-rits/Manifest 获取。
引用
@article{arxiv.2111.13681,
title = {ManiFest: Manifold Deformation for Few-shot Image Translation},
author = {Fabio Pizzati and Jean-François Lalonde and Raoul de Charette},
journal= {arXiv preprint arXiv:2111.13681},
year = {2022}
}
备注
ECCV 2022