UNIT-DDPM：基于去噪扩散概率模型的非配对图像翻译
计算机视觉与模式识别
2021-04-13 v1 机器学习
图像与视频处理
摘要
我们提出一种新颖的非配对图像到图像翻译方法，其使用去噪扩散概率模型且无需对抗训练。我们的方法，即基于去噪扩散概率模型的非配对图像翻译（UNIT-DDPM），训练一个生成模型，通过最小化以另一域为条件的去噪分数匹配目标，将两域上图像的联合分布推断为马尔可夫链。具体而言，我们同时更新两域的翻译模型，并基于朗之万动力学，通过以输入源域图像为条件的去噪马尔可夫链蒙特卡洛方法生成目标域图像。我们的方法为图像到图像翻译提供了稳定的模型训练，并生成高质量的图像输出。这在多个公开数据集（包括彩色与多光谱图像）上实现了最先进的Fréchet Inception Distance（FID）性能，显著优于同期对抗式图像到图像翻译方法。
引用
@article{arxiv.2104.05358,
title = {UNIT-DDPM: UNpaired Image Translation with Denoising Diffusion Probabilistic Models},
author = {Hiroshi Sasaki and Chris G. Willcocks and Toby P. Breckon},
journal= {arXiv preprint arXiv:2104.05358},
year = {2021}
}
备注
10 pages, 8 figures