无监督跨域图像生成
计算机视觉与模式识别
2016-11-08 v1
摘要
我们研究将一个域中的样本转移到另一个域中类似样本的问题。给定两个相关域S和T，我们想学习一个生成函数G，将来自S的输入样本映射到域T，使得给定函数f（接受任一域的输入）的输出保持不变。除函数f外，训练数据是无监督的，由来自每个域的一组样本组成。我们提出的域迁移网络（DTN）采用复合损失函数，包括多类GAN损失、f-不变性分量和鼓励G将来自T的样本映射到自身的正则化分量。我们将我们的方法应用于包括数字和人脸图像在内的视觉域，并展示了其生成先前未见实体的令人信服的新图像同时保持其身份的能力。
引用
@article{arxiv.1611.02200,
title = {Unsupervised Cross-Domain Image Generation},
author = {Yaniv Taigman and Adam Polyak and Lior Wolf},
journal= {arXiv preprint arXiv:1611.02200},
year = {2016}
}