SEIGAN：通过同步学习分割、增强与修复实现组合式图像生成
计算机视觉与模式识别
2019-01-17 v2 机器学习
神经与进化计算
摘要
我们提出了一种通过同步学习分割目标掩码、将目标粘贴至另一背景图像以及从原始图像中移除目标来实现图像操控与理解的新方法。为此，我们开发了一种用于组合式图像生成的新型生成模型 SEIGAN（Segment-Enhance-Inpaint Generative Adversarial Network，分割-增强-修复生成对抗网络），该模型在带有额外循环一致性损失的对抗架构中共同学习这三种操作。在训练时，SEIGAN 仅需边界框监督，无需配对数据或真实掩码。SEIGAN 生成的图像（由人工评估者评价）优于其他方法，并产出高质量分割掩码，优于其他对抗训练方法，且更接近全监督训练的结果。
引用
@article{arxiv.1811.07630,
title = {SEIGAN: Towards Compositional Image Generation by Simultaneously Learning to Segment, Enhance, and Inpaint},
author = {Pavel Ostyakov and Roman Suvorov and Elizaveta Logacheva and Oleg Khomenko and Sergey I. Nikolenko},
journal= {arXiv preprint arXiv:1811.07630},
year = {2019}
}