2017 NIPS之GAN(image transfer):Unsupervised Image-to-Image Translation Networks

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。
摘要由CSDN通过智能技术生成

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
在这里插入图片描述
(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:
在这里插入图片描述,z2同理,同时规定先验分布是一个零均值高斯:
在这里插入图片描述
通过计算VAE loss惩罚latent分布与先验分布的偏差:

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值