用于跨域解耦的变分交互信息最大化
计算机视觉与模式识别
2020-12-09 v1 机器学习
摘要
跨域解耦是学习将表示划分为域不变表示和域特定表示的问题，这是成功实现域迁移或测量两个域之间语义距离的关键。基于信息论，我们将域不变表示和域特定表示的同时学习转化为多个信息约束的联合目标，该过程不需要对抗训练或梯度反转层。我们推导了该目标的一个可处理界限，并提出了一种名为交互信息自编码器的生成模型。我们的方法揭示了跨域解耦所需理想表示的深刻见解，及其与变分自编码器（VAE）的联系。我们证明了我们的模型在图像到图像翻译和跨域检索任务中的有效性。我们进一步表明，即使没有外部知识，我们的模型在零样本基于草图的图像检索任务中也取得了 SOTA 的性能。我们的实现已公开于：https://github.com/gr8joo/IIAE
引用
@article{arxiv.2012.04251,
title = {Variational Interaction Information Maximization for Cross-domain Disentanglement},
author = {HyeongJoo Hwang and Geon-Hyeong Kim and Seunghoon Hong and Kee-Eung Kim},
journal= {arXiv preprint arXiv:2012.04251},
year = {2020}
}
备注
Published at NeurIPS 2020