变换一致性正则化——一种用于图像到图像翻译的半监督范式
计算机视觉与模式识别
2020-07-16 v1
摘要
标注数据的稀缺推动了半监督学习方法的发展，这类方法从大量未标注数据与少量标注样本中学习。模型在不同输入扰动下预测之间的一致性正则化（consistency regularization），尤其在半监督框架中已被证明可提供最先进（state-of-the-art）的结果。然而，这些方法大多局限于分类与分割应用。我们提出变换一致性正则化（Transformation Consistency Regularization），其深入探究了图像到图像翻译这一更具挑战性的设定，而该设定尚未被半监督算法探索。该方法引入一组多样的几何变换，并强制模型对未标注数据的预测对这些变换保持不变。我们在三种不同应用上评估了算法的效能：图像上色、去噪与超分辨率。我们的方法具有显著的数据效率，仅需约 10–20% 的标注样本即可实现与其全监督对应方法相似的图像重建。此外，我们展示了该方法在视频处理应用中的有效性，其中来自少数帧的知识可被利用以提升影片其余部分的质量。
引用
@article{arxiv.2007.07867,
title = {Transformation Consistency Regularization- A Semi-Supervised Paradigm for Image-to-Image Translation},
author = {Aamir Mustafa and Rafal K. Mantiuk},
journal= {arXiv preprint arXiv:2007.07867},
year = {2020}
}
备注
Accepted at ECCV 2020