SingleGAN阅读

摘要

图像转换是计算机视觉中的一个新兴领域，其目标是学习输入图像和输出图像之间的映射。但是，最近的方法需要多个生成器来建模不同的域映射，这对于某些多域图像转换任务来说效率低且无效。在本文中，我们提出了一种新方法SingleGAN，用单个发生器执行多域图像到图像的转换。我们引入域代码来明确控制不同的生成任务，并集成多个优化目标以确保翻译。几个不成对数据集的实验结果表明我们的模型在两个域之间的转换中具有优越的性能。此外，我们还探索了不同任务的SingleGAN的变体，包括一对多域转换，多对多域转换和多模态一对一域转换。扩展实验表明了我们模型的普遍性和可扩展性。

贡献

我们提出SingleGAN，一种新颖的GAN，利用单个发生器和一组鉴别器来完成不成对的图像到图像的翻译。

• 通过扩展它来实现三种不同类型的翻译任务，展示了SingleGAN的通用性和灵活性。
• 实验结果表明，我们的方法比几种最先进的方法更有效和通用。

基本模型

主要结构如图：

为了利用两个相关任务之间的相关性，SingleGAN采用单个生成器来实现双向转换。
该模型的目标是学习映射G：A $B。通过添加域代码，G被重新定义为

其中xfake ∗是发生器生成的假样本&