单向无监督域映射
计算机视觉与模式识别
2017-11-21 v2
摘要
在无监督域映射中，学习器获得两个不匹配的数据集 A 和 B。目标是学习一个映射 G_AB，将 A 中的样本转换为 B 中的类似样本。近期方法表明，当同时学习 G_AB 和逆映射 G_BA 时，可以获得令人信服的映射。在这项工作中，我们提出了一种在不学习 G_BA 的情况下学习 G_AB 的方法。这是通过学习一个保持样本对之间距离的映射来实现的。此外，即使仅保持同一样本不同部分在映射前后的距离，也能获得良好的映射。我们给出的实验结果表明，新方法不仅允许单向映射学习，而且相比现有的基于循环一致性的约束，还能得到更优的数值结果。我们的全部代码已在 https://github.com/sagiebenaim/DistanceGAN 上公开。
引用
@article{arxiv.1706.00826,
title = {One-Sided Unsupervised Domain Mapping},
author = {Sagie Benaim and Lior Wolf},
journal= {arXiv preprint arXiv:1706.00826},
year = {2017}
}
备注
to be published in NIPS 2017