论文地址:论文
一、论文记录
1.摘要
因为随着训练技巧的提升,使用合成(产生)的图片进行训练,避免了人工注释的麻烦。但是存在着一个问题,就是合成图片与真实图片的分布存在着一定的差距。为了解决这一问题,本文提出了Simulated + Unsupervised(仿真+无监督)learning的方法。具体来说是通过没有标签的真实图片来提高仿真器生成图片的真实性,同时还保持原有合成图片的注释信息不变。
新提出的GAN网络有三点优势:1、自动正则化的损失(进一步保证refined图片的注释信息不变);2、局部对抗损失;3、使用改善的图片(a history of refined images)来更新D网络。
2.介绍
进一步介绍SimGAN的目的和大体思路。Figure1是Refiner网络,介绍了利用未标注的真实图片将合成的图片进行Refine操作得到改善的图片。
Figure2介绍了整个网络SimGAN网络的框架,前半部分是改善图片神经网络(refiner neural network)R网络,根