UNSUPERVISED CROSS-DOMAIN IMAGE GENERATION

本文主要是介绍UNSUPERVISED CROSS-DOMAIN IMAGE GENERATION，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

本文提出了一个域转换网络(domain transfer network,DTN),网络的作用是,对于给定两个域S,T,我们希望学习一个生成函数G,将S域的样本映射到域T,这样,对于一个给定函数f,不管f的输入为来自域S或T,f的输出会保持不变.

网络结构如下:

生成网络包括函数f,g.f用于提取输入图像的特征,得到一个特征向量.g的输入为f的输出,输出为目标风格的图像.训练数据为为无监督数据,即,原图像,目标图像不一一对应,分别采用原图像库,目标风格图像库,作为训练.对于原图像,输入生成网络G,输出风格图像.对于目标库的图像,输入生成网络G,输出还是该图像.

网络还包括一个判别网络D,判别网络的作用是判别输入为生成图像(fake),还是输入图像(real).

损失函数

1.对于生成网络,输入原图像,输出为目标风格的图像.同时我们还希望,当输入为目标图像时,生成网络输出也为目标图像,即生成网络对目标图像起到identity matrix的作用,这样构造损失函数$L_{TID}$,

式中,$x\in t$表示图像x为目标图像,t为目标图像集合.

2.对与函数f,我们希望输入原图像提取的特征向量和原图像通过生成网络G生成的图像的f函数特征向量尽量相似,

式中,$x\in s$表示图像x为原图像,s为原图像集合.

3.判别网络D,用于判别原图像的生成图像,目标图像及目标图像的生成图像,用于判别是生成图像还是输入图像,损失函数为:

式中,$D_1$用表示判别原图像经过生成网络G的生成图像.

这篇关于UNSUPERVISED CROSS-DOMAIN IMAGE GENERATION的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---