MetalGAN：基于 cGAN 与元学习的多域无标签图像合成
机器学习
2020-06-26 v2 计算机视觉与模式识别
机器学习
摘要
图像合成目前是计算机视觉与深度学习研究领域中备受关注的图像处理课题之一。研究者们针对该问题的若干挑战展开研究，例如图像质量与尺寸、域与姿态变换、网络架构等。其中，使用单一架构生成属于不同域的图像是图像生成中一个极具意义的目标。事实上，单一多域网络相较于其他方法，能在图像合成任务中提供更高的灵活性与鲁棒性。本文提出一种新颖的架构与训练算法，能够使用单一网络产生多域输出。我们刻意只使用数据集的一小部分，且不存在硬编码的标签（或类别）。这是通过结合用于图像生成的条件生成对抗网络（conditional Generative Adversarial Network, cGAN）与用于域切换的元学习（Meta-Learning）算法实现的，我们将该方法称为 MetalGAN。该方法被证明适用于解决多域问题，并在人脸属性迁移任务上利用 CelebA 数据集进行了验证。
引用
@article{arxiv.1912.02494,
title = {MetalGAN: Multi-Domain Label-Less Image Synthesis Using cGANs and Meta-Learning},
author = {Tomaso Fontanini and Eleonora Iotti and Luca Donati and Andrea Prati},
journal= {arXiv preprint arXiv:1912.02494},
year = {2020}
}