- 首先,我们先来了解一下Fusion Gan,Fusion Gan即融合生成对抗网络,该网络生成具有输入图像x的身份和输入图像y的形状的融合图像。(如图1)
Fusion Gan网络可以以无人监督的方式同时训练两个以上的图像数据集。 我们定义一个身份损失LI来捕捉图像x的身份和一个形状损失LS来获得y的形状。 此外,我们提出了一种名为Min-Patch训练的新型训练方法,将发生器集中在图像的关键部分,而不是整个部分。
我们的工作目标是学习一种映射函数,该函数根据多个未标记集合提供的两个输入图像生成融合图像。 通过从第一输入图像x获得身份并从第二输入图像y获得形状,我们可以生成组合输出图像。 我们用同一性Ix和形状Sx表示图像x,如x =(1x,Sx)。 当我们的网络有两个输入图像x =(Ix,Sx)和y =(Iy,Sy)时,我们的目标是生成以下新的融合图像:
因此,输出是融合图像,其具有与x相同的身份,并且具有与y相同的形状。 当给出两个输入时,生成器G可以自动从x获得标识,并从y形状(图1)。 我们的网络不仅限于两个图像集之间的过渡,而是可以用于多个未标记的图像集,我们在这里提到的身份和形状可以是任何特征,具体取决于图像集
Fusion Gan(融合生成对抗网络)中将一个人的身份和另一个人的形状融合形成新图像
最新推荐文章于 2024-04-15 17:17:38 发布
![](https://img-home.csdnimg.cn/images/20240711042549.png)