StegoGAN：利用隐写术实现非双射图像到图像翻译
计算机视觉与模式识别
2024-04-01 v1 图像与视频处理
摘要
大多数图像到图像翻译模型假设源域和目标域的语义类别之间存在唯一对应关系。然而，由于分布差异、不同类别集和非对称信息表示，这一假设在现实场景中并不总是成立。由于传统GAN试图生成与目标域分布匹配的图像，它们可能产生源域中不存在的类别的虚假实例，从而降低翻译图像的有用性和可靠性。基于CycleGAN的方法也已知会将不匹配的信息隐藏在生成的图像中以绕过循环一致性目标，这一过程称为隐写术。针对非双射图像翻译的挑战，我们引入了StegoGAN，一种利用隐写术防止生成图像中出现虚假特征的新模型。我们的方法增强了翻译图像的语义一致性，无需额外的后处理或监督。实验评估表明，StegoGAN在各种非双射图像到图像翻译任务中，在定性和定量上都优于现有的基于GAN的模型。我们的代码和预训练模型可在https://github.com/sian-wusidi/StegoGAN获取。
引用
@article{arxiv.2403.20142,
title = {StegoGAN: Leveraging Steganography for Non-Bijective Image-to-Image Translation},
author = {Sidi Wu and Yizi Chen and Samuel Mermet and Lorenz Hurni and Konrad Schindler and Nicolas Gonthier and Loic Landrieu},
journal= {arXiv preprint arXiv:2403.20142},
year = {2024}
}