24小时服务热线:

138-1211-9616

AG

咨询热线:

0510-86395391

邮箱:zhongkai-jixie@qq.com

传真号码:0510-86395392

地址:江阴市祝塘镇镇南路65号

【泡泡图灵智库】CycleGAN:周期一致对抗网络的不

作者:AG 日期:2020-01-27 17:46 人气:

  原标题:【泡泡图灵智库】CycleGAN:周期一致对抗网络的不成对的图像生成

  本文通过GAN实现图像间的转换,将任务定义为学习输入输出图片间的映射。提出了一种在没有配对示例的情况下学习将图像从源域X转换为目标域Y的方法。目标是学习一个映射G: X-Y,使得来自G(x)的图像分布与Y的分布在对抗损失函数下无法区分。由于映射约束的不足,作者将其与反映射F:Y→X耦合,并引入循环一致性损失以强制执行F(G(X))≈X(反之亦然)。在一系列风格转移,对象变形,季节转移,照片增强等任务上的测试证明了方法的优越性。代码已经公开。

  1. 提出的GAN无监督学习,实现图片在域之间进行转换,而无需成对的输入/输出示例。

  传统的GAN 损失如下。G代表生成器,D代表判别器,G(x) 表示 G 生成的图片,y表示真实图片,D(y) 表示D判断真实图片是否真实的概率,D(G(x))表示D判断G生成的图片是否真实的概率。

  G希望生成的图片越接近真实越好,使得D(G(x)) 变大,L变小。D的能力越强,D(y) 越大,D(G(x)) 越小,这时L会变大。这是一个G,D 对抗的损失与训练过程。训练过程中,第一步训练 D,D 希望L 越大越好,所以是反向梯度。第二步训练 G ,L越小越好,所以是正向梯度,整个训练过程交替进行。

  文中提出的cycle loss, 循环一致性损失,使网络生成的图像必须保留有原始图像的特性。如果使用生成器G从Domain X 到 Domain Y 生成一张假图像,那么要能够使用另外一个生成器G从Domain Y到 Domain X来努力恢复成原始图像。此过程必须满足循环一致性。同时学习 F 和 G 两个映射,要求 F(G(y)) ≈ y,以及 G(F(x)) ≈ x, 因此循环一致性损失定义为:

AG真人游戏网
AG| 公司简介 | 新闻中心 | 产品中心 | 售后服务 | 营销网络 | 联系我们 |