ReLGAN：基于不相交约束的GAN一致性泛化与面向多重变换学习的生成过程相对学习
计算机视觉与模式识别
2020-06-16 v1 神经与进化计算
摘要
图像到图像的变换因其对包括医学在内的不同应用的巨大影响而受到不同研究社区的欢迎。在这项工作中，我们为GAN架构引入了一种通用的一致性方案，并提出了两个新概念：变换学习（TL）和相对学习（ReL），用于增强图像变换的学习。GAN架构的一致性存在约束不足的问题，无法学习多重和多模态变换，而这对于许多医学应用是不可避免的。其主要缺点是它专注于创建一个中间且可行的混合体，这对于关注微小细节的医学应用来说是不允许的。另一个缺点是两个学习阶段之间的弱相互关系，而TL和ReL引入了它们之间改进的协调。我们在公共数据集上展示了这种新颖网络框架的能力。我们强调，我们新颖的架构为图像生成了改进的神经图像变换版本，这更易于被医学界接受。实验和结果证明了我们框架的有效性，与先前工作相比有所增强。
引用
@article{arxiv.2006.07809,
title = {ReLGAN: Generalization of Consistency for GAN with Disjoint Constraints and Relative Learning of Generative Processes for Multiple Transformation Learning},
author = {Chiranjib Sur},
journal= {arXiv preprint arXiv:2006.07809},
year = {2020}
}