平滑解耦潜风格空间用于无监督图像到图像翻译
计算机视觉与模式识别
2021-06-17 v1 机器学习
摘要
图像到图像（I2I）多域翻译模型通常也通过其语义插值结果的质量进行评估。然而，最先进的模型在插值过程中频繁表现出图像外观的突变，且通常跨域插值性能较差。本文提出一种基于三种特定损失的新型训练协议，可帮助翻译网络学习平滑且解耦的潜风格空间，其中：1）域内与跨域插值均对应于生成图像的渐变；2）在翻译过程中更好地保留源图像的内容。此外，我们提出一种新颖的评估指标，以恰当度量 I2I 翻译模型潜风格空间的平滑度。所提方法可插入现有翻译方法中，我们在不同数据集上的大量实验表明，其能显著提升生成图像质量与插值的渐进性。
引用
@article{arxiv.2106.09016,
title = {Smoothing the Disentangled Latent Style Space for Unsupervised Image-to-Image Translation},
author = {Yahui Liu and Enver Sangineto and Yajing Chen and Linchao Bao and Haoxian Zhang and Nicu Sebe and Bruno Lepri and Wei Wang and Marco De Nadai},
journal= {arXiv preprint arXiv:2106.09016},
year = {2021}
}
备注
Accepted to CVPR 2021