基于中心偏置归一化的多映射图像到图像翻译
计算机视觉与模式识别
2020-04-20 v5
摘要
近期图像到图像翻译的进展中，通过单一网络生成多样化图像的方法日益增多。为指示一对多映射中的目标域，潜在编码被注入生成器网络。然而，我们发现由于归一化策略，该注入方法会导致模式崩溃。现有归一化策略可能导致特征分布不一致或消除潜在编码的作用。为解决这些问题，我们提出了用于设计多映射模型的一致性内含多样性准则。基于该准则，我们提出中心偏置归一化以注入潜在编码信息。实验表明，我们的方法能提升现有图像到图像翻译模型（如 StarGAN、BicycleGAN 和 pix2pix）的质量与多样性。
引用
@article{arxiv.1806.10050,
title = {Multi-Mapping Image-to-Image Translation with Central Biasing Normalization},
author = {Xiaoming Yu and Zhenqiang Ying and Thomas Li and Shan Liu and Ge Li},
journal= {arXiv preprint arXiv:1806.10050},
year = {2020}
}