基于非配对数据学习潜在外观表征的形状条件图像生成
计算机视觉与模式识别
2018-11-30 v1
摘要
条件图像生成在包括基于学习的计算机视觉训练数据合成在内的多种任务中十分有效。然而，尽管生成对抗网络（GANs）近期取得了进展，生成具有对物体形状详细控制条件的图像仍是一项具有挑战性的任务。现有的条件图像生成方法使用类别标签和/或关键点，仅能对物体类别提供有限的控制。在本工作中，我们提出 SCGAN，一种通过输入法线贴图指定所需形状来生成图像的架构。该形状条件图像生成任务通过潜在外观向量对图像外观进行显式建模来实现。该网络使用真实图像与渲染法线贴图的非配对训练样本进行训练。该方法使我们能够生成具有目标形状和多样图像外观的任意物体类别图像。我们通过训练数据生成任务上的定性与定量评估展示了我们方法的有效性。
引用
@article{arxiv.1811.11991,
title = {Shape-conditioned Image Generation by Learning Latent Appearance Representation from Unpaired Data},
author = {Yutaro Miyauchi and Yusuke Sugano and Yasuyuki Matsushita},
journal= {arXiv preprint arXiv:1811.11991},
year = {2018}
}
备注
Accepted at ACCV 2018