面向图像操纵及更广应用的表征分解
计算机视觉与模式识别
2022-03-24 v2
摘要
表征解耦旨在学习可解释的特征，从而可以相应地恢复或操纵输出。尽管已有 infoGAN 和 AC-GAN 等已有工作，它们选择推导不相交的属性编码以实现特征解耦，但这不适用于已有/已训练的生成模型。本文提出一种分解-GAN（dec-GAN），能够将已有的潜在表征分解为内容与属性特征。在针对感兴趣属性预训练的分类器引导下，我们的 dec-GAN 从潜在表征中解离出感兴趣属性，而数据恢复与特征一致性目标则约束了所提方法的学习。我们在多个图像数据集上的实验证实了 dec-GAN 相对于近期表征解耦模型的有效性与鲁棒性。
引用
@article{arxiv.2011.00788,
title = {Representation Decomposition for Image Manipulation and Beyond},
author = {Shang-Fu Chen and Jia-Wei Yan and Ya-Fan Su and Yu-Chiang Frank Wang},
journal= {arXiv preprint arXiv:2011.00788},
year = {2022}
}
备注
Published at IEEE International Conference in Image Processing (ICIP) 2021