基于生成对抗网络的半监督图像属性编辑
计算机视觉与模式识别
2020-04-14 v2 图像与视频处理
摘要
图像属性编辑是一个具有挑战性的问题，近来许多研究者利用生成网络对其进行了研究。其挑战在于操纵图像选定属性的同时保留其他细节。实现此目标的方法是找到图像精确的潜向量表示以及对应属性的方向。文献中几乎所有工作都为此在监督设定下使用带标签的数据集。在本研究中，我们引入一种称为循环逆向生成器（Cyclic Reverse Generator, CRG）的架构，它通过在无监督设定下利用循环代价最小化，经由编码器准确学习生成器的逆函数。随后使用 CRG 模型在潜空间中寻找所需属性表示以进行属性编辑。本工作中，我们使用两张任意参考图像（分别具有和不具有所需属性）来计算用于编辑的属性方向。我们表明，与现有端到端生成模型相比，所提方法在图像重建上定量与定性均更优。我们在 CelebA 数据集上的真实图像与生成图像上均展示了最先进（state-of-the-art, SOTA）的结果。
引用
@article{arxiv.1907.01841,
title = {Semi-supervised Image Attribute Editing using Generative Adversarial Networks},
author = {Yahya Dogan and Hacer Yalim Keles},
journal= {arXiv preprint arXiv:1907.01841},
year = {2020}
}
备注
This paper is the preprint of the accepted manuscript in Neurocomputing Journal. To visualize the Figures in the manuscript in high quality, please check the version at this URL: https://github.com/yahyadogan72/CRG