论文
代码暂未开源
基于示例的图像翻译在条件输入和示例(来自两个不同的域)之间建立了密集的对应关系,以利用详细的示例样式来实现逼真的图像翻译。现有工作通过最小化两个域之间的特征距离来隐式地建立跨域对应关系。如果没有明确利用域不变特征,这种方法可能无法有效地减少域间隙,这通常会导致次优的对应和图像翻译。
本文设计了一个边际对比学习网络(MCL-Net),它通过对比学习来学习领域不变的特征,以此进行基于真实示例的图像翻译。具体来说,作者设计了一种创新的边际对比损失,指导明确地建立密集对应。然而,仅与域不变语义建立对应关系可能会损害纹理模式并导致纹理生成质量下降。因此,作者设计了一个自相关图(SCM),它结合了场景结构作为辅助信息,大大改善了构建的对应关系。对各种图像翻译任务的定量和定性实验表明,所提出的方法始终优于最先进的方法。
对比学习可以用来学习领域不变的特征
CVPR2022 oral(一) Marginal Contrastive Correspondence for Guided Image Generation
于 2022-04-09 22:07:22 首次发布