MISS GAN：一种用于图像到插画翻译的多插画师风格生成对抗网络
图像与视频处理
2021-08-29 v1 计算机视觉与模式识别
机器学习
摘要
支持仅使用一个训练好的生成器来处理多样输入风格的无监督风格迁移，是计算机视觉中一项具有挑战性且有趣的任务。本文提出一种多插画师风格生成对抗网络（MISS GAN），这是一个用于无监督图像到插画翻译的多风格框架，能够生成具有风格且保留内容的图像。该插画数据集具有挑战性，因为它由七位不同插画师的插画组成，因此包含多样风格。现有方法需要训练多个生成器（数量与插画师数相同）来处理不同插画师的风格，这限制了其实际用途，或者需要训练一个图像特定的网络，而忽略了该插画师其他图像中提供的风格信息。MISS GAN 既是输入图像特定的，又仅使用一个训练好的模型来利用其他图像的信息。
引用
@article{arxiv.2108.05693,
title = {MISS GAN: A Multi-IlluStrator Style Generative Adversarial Network for image to illustration translation},
author = {Noa Barzilay and Tal Berkovitz Shalev and Raja Giryes},
journal= {arXiv preprint arXiv:2108.05693},
year = {2021}
}
备注
Accepted to Pattern Recognition Letters