重新思考真正的无监督图像到图像翻译
计算机视觉与模式识别
2021-08-23 v2 机器学习
摘要
每个近期的图像到图像翻译模型本质上都需要图像级（即输入输出对）或集合级（即域标签）监督。然而，即便是集合级监督在实践中也可能成为数据收集的严重瓶颈。本文中，我们在完全无监督设定下处理图像到图像翻译，即既无配对图像也无域标签。为此，我们提出了一种真正的无监督图像到图像翻译模型（TUNIT），其同时学习分离图像域并将输入图像翻译至估计的域。实验结果表明，我们的模型取得了与用完整标签训练的集合级监督模型相当甚至更优的性能，在多个数据集上泛化良好，并对超参数（如预设的伪域数量）的选择具有鲁棒性。此外，TUNIT 可轻松扩展至带少量标注数据的半监督学习。
引用
@article{arxiv.2006.06500,
title = {Rethinking the Truly Unsupervised Image-to-Image Translation},
author = {Kyungjune Baek and Yunjey Choi and Youngjung Uh and Jaejun Yoo and Hyunjung Shim},
journal= {arXiv preprint arXiv:2006.06500},
year = {2021}
}
备注
Accepted to ICCV 2021