ZstGAN：一种用于无监督零样本图像到图像翻译的对抗方法
计算机视觉与模式识别
2021-07-21 v2
摘要
图像到图像翻译模型在跨不同域转移图像方面展现出显著能力。现有多数工作遵循源域与目标域在训练与推理阶段保持一致的设定，这无法泛化到将图像从未见域翻译至另一未见域的场景。本工作中，我们提出无监督零样本图像到图像翻译（UZSIT）问题，旨在学习一个能翻译训练期间未观测图像域样本的模型。相应地，我们提出称为ZstGAN的框架：通过引入对抗训练方案，ZstGAN学习以在视觉与属性模态上语义一致的域特定特征分布来建模每个域。随后域不变特征被共享编码器解耦以用于图像生成。我们在CUB和FLO数据集上进行了广泛实验，结果证明了所提方法在UZSIT任务上的有效性。此外，ZstGAN在CUB和FLO上相较最先进的零样本学习方法展现出显著的准确率提升。
引用
@article{arxiv.1906.00184,
title = {ZstGAN: An Adversarial Approach for Unsupervised Zero-Shot Image-to-Image Translation},
author = {Jianxin Lin and Yingce Xia and Sen Liu and Shuqin Zhao and Zhibo Chen},
journal= {arXiv preprint arXiv:1906.00184},
year = {2021}
}
备注
Accepted by Nuerocomputing