基于部分-全局学习与多对抗框架的一次性图像到图像翻译
计算机视觉与模式识别
2019-05-14 v1 机器学习
摘要
众所周知，人类可以从少量有限图像样本中有效学习和识别物体。然而，仅从几张图像中学习对现有主流深度神经网络仍是一项巨大挑战。受人类心智中类比推理的启发，一种可行策略是将丰富源域的大量图像进行翻译，以丰富图像数据不足却又相关的不同目标域。为实现此目标，我们提出了一种新颖、有效的基于部分-全局学习的多对抗框架(MA)，其完成一次性跨域图像到图像翻译。具体地，我们首先设计部分-全局对抗训练方案，为特征提取提供高效途径并防止判别器过拟合。随后，采用多对抗机制增强图像到图像翻译能力以挖掘高层语义表示。此外，提出一种平衡对抗损失函数，旨在平衡训练数据并稳定训练过程。大量实验表明，所提方法在各极度不平衡图像域间的数据集上均能取得令人印象深刻的結果，并在一次性图像到图像翻译上优于SOTA方法。
引用
@article{arxiv.1905.04729,
title = {One-Shot Image-to-Image Translation via Part-Global Learning with a Multi-adversarial Framework},
author = {Ziqiang Zheng and Zhibin Yu and Haiyong Zheng and Yang Yang and Heng Tao Shen},
journal= {arXiv preprint arXiv:1905.04729},
year = {2019}
}
备注
9 pages, 13 figures