无监督对抗式图像修复
计算机视觉与模式识别
2019-12-30 v1 机器学习
图像与视频处理
机器学习
摘要
我们考虑一种无监督设定下的图像修复，其中既无法访问成对训练数据，也无法访问非成对训练数据。唯一可用的信息来自不完整的观测值与修复过程统计。在此背景下，一次观测应产生若干合理的重建结果，这等同于学习重建图像空间上的分布。我们通过使用带约束条件生成对抗网络（conditional GAN）对重建过程建模，该约束作用于随机分量，使其与生成输出之间引入显式依赖关系。这使得我们能够从潜变量分量中采样，以生成与一次观测相关联的图像分布。我们在多个人像数据集上展示了模型的性能：人脸（CelebA）、食物图像（Recipe-1M）与卧室（LSUN Bedrooms），并采用不同类型的填补掩码。该方法取得了与借助额外监督训练的模型变体相当的性能。
引用
@article{arxiv.1912.12164,
title = {Unsupervised Adversarial Image Inpainting},
author = {Arthur Pajot and Emmanuel de Bezenac and Patrick Gallinari},
journal= {arXiv preprint arXiv:1912.12164},
year = {2019}
}