Unsupervised Image-to-Image Translation Networks
开源：https://github.com/mingyuliutw/unit.
当前的问题及概述：
无监督图像-图像转换的目的是利用图像在单个区域的边缘分布来学习图像在不同区域的联合分布。由于存在无穷多的联合分布集合，可以得到给定的边际分布，如果没有额外的假设，就不能从边际分布中推断出联合分布。
本文提出了一个共享潜在空间的假设，并提出了一种基于coupled GANs的无监督图像-图像转换框架。
模型及loss：
（a）将x1与x2域通过encoder转化为共同的latent space，再通过Generator将latent code转化为各自域图像。（b）为本文的基本框架思路
2.1 VAE（编码器）部分：
本文VAE部分通过权重共享将x1与x2域的图像特征映射到同一特征空间，其中z1：
，z2同理，同时规定先验分布是一个零均值高斯：
通过计算VAE loss惩罚latent分布与先验分布的偏差：
本文提出了一个无监督图像-图像转换框架，利用共享潜在空间假设和coupled GANs。通过VAE编码器将不同域的图像映射到共同的特征空间，然后用生成器进行转换。模型包含VAE损失和GAN损失，实验展示了良好的生成效果。
最低0.47元/天 解锁文章
600
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
