基于堆叠循环一致性对抗网络的无监督图像到图像翻译
计算机视觉与模式识别
2018-07-31 v2
摘要
近期关于无监督图像到图像翻译的研究通过训练一对带有循环一致性损失的生成对抗网络取得了显著进展。然而，当图像分辨率较高或两图像域外观差异显著时（如 Cityscapes 数据集中语义布局与自然图像间的翻译），此类无监督方法可能产生较差结果。本文中，我们提出新颖的堆叠循环一致性对抗网络（SCANs），将单次翻译分解为多阶段变换，不仅提升了图像翻译质量，还以由粗到细的方式实现了更高分辨率的图像到图像翻译。此外，为充分利用前一阶段的信息，设计了自适应融合模块以学习当前阶段输出与前一阶段输出的动态整合。在多个数据集上的实验表明，相较以往单阶段无监督方法，我们所提方法可改善翻译质量。
引用
@article{arxiv.1807.08536,
title = {Unsupervised Image-to-Image Translation with Stacked Cycle-Consistent Adversarial Networks},
author = {Minjun Li and Haozhi Huang and Lin Ma and Wei Liu and Tong Zhang and Yu-Gang Jiang},
journal= {arXiv preprint arXiv:1807.08536},
year = {2018}
}
备注
To appear in ECCV 2018