不确定性感知的广义自适应CycleGAN
计算机视觉与模式识别
2021-02-24 v1 机器学习
图像与视频处理
摘要
非配对图像到图像翻译指的是以无监督方式学习图像域间映射。现有方法通常学习确定性映射，未显式建模对离群点的鲁棒性或预测不确定性，导致在测试时遇到未见过的分布外（OOD）模式时性能下降。为应对此局限，我们提出一种称为不确定性感知广义自适应循环一致性（UGAC）的新概率方法，其通过广义高斯分布对逐像素残差建模，能够建模重尾分布。我们在两项具有挑战性的任务上将我们的模型与多种最先进方法比较：自然图像中的非配对图像去噪与医学图像域中的非配对模态传播。实验结果表明，在信噪比和结构相似性等量度指标方面，我们的模型相比近期方法提供了更优的图像生成质量。我们的模型还对OOD测试数据表现出更强的鲁棒性。
引用
@article{arxiv.2102.11747,
title = {Uncertainty-aware Generalized Adaptive CycleGAN},
author = {Uddeshya Upadhyay and Yanbei Chen and Zeynep Akata},
journal= {arXiv preprint arXiv:2102.11747},
year = {2021}
}
备注
13 pages, 9 figures