OneGAN：条件图像生成、前景分割与细粒度聚类的同步无监督学习
计算机视觉与模式识别
2020-11-03 v2
摘要
我们提出了一种以无监督方式同时学习（i）条件图像生成器、（ii）前景提取与分割、（iii）两级类层次结构聚类，以及（iv）物体移除与背景补全的方法，所有这些都无需使用任何标注。该方法结合了生成对抗网络（GAN）与变分自编码器（VAE），具有多个编码器、生成器和判别器，并受益于一次性解决所有任务。训练方案的输入是来自同一领域的多样化无标签图像集合，以及一组不含前景物体的背景图像。此外，图像生成器可以将一张图像的背景与由第二张图像的前景或所需聚类的索引所条件化的前景相混合。与文献中的方法相比，该方法在每个任务上与当前最优（SOTA）方法比较时均取得了最优结果。
引用
@article{arxiv.1912.13471,
title = {OneGAN: Simultaneous Unsupervised Learning of Conditional Image Generation, Foreground Segmentation, and Fine-Grained Clustering},
author = {Yaniv Benny and Lior Wolf},
journal= {arXiv preprint arXiv:1912.13471},
year = {2020}
}
备注
To be published in the European Conference on Computer Vision (ECCV) 2020