CBN-translation:中心偏置规范化多映射图像到图像的翻译

CBN-translation

Pytorch 实现的以下论文: “Multi-Mapping Image-to-Image Translation with Central Biasing Normalization” arXiv preprint arXiv:1806.10050 (2018).

多映射图像翻译可以分为:

  • 多域翻译:学习跨不同属性域的映射,比如不同头发颜色的变换.
  • 多模态翻译: 建模可能的输出的分布,同时执行两个特定域之间的映射,例如通过相同草图图像合成不同样式的袋子.

结果

战略 描述
ZP 零填充应用于卷积输入
RP 反卷填充应用于卷积输入
BN [1] 卷积输出的批量归一化(CBBN用于我们的模型)
IN [2] 卷积输出的实例归一化(CBIN用于我们的模型)
方法 描述
StarGAN [3] 具有潜在编码注入的多领域翻译模型
BicycleGAN [4] 潜在编码注入的多模式翻译模型
本文 具有中心偏差归一化的多映射翻译模型

面部属性的多域翻译

多模式翻译Edges2Photos

源代码和预训练模型

很快发布

参考

  1. Ioffe S,Szegedy C.批量规范化:通过减少内部协变量来加速深度网络训练[J]。arXiv预印本arXiv:1502.03167,2015。
  2. Ulyanov D,Vedaldi A,Lempitsky V.改进纹理网络:最大化前馈程序设计和纹理合成的质量和多样性[C] // Proc。CVPR。2017年。
  3. Choi Y,Choi M,Kim M,et al。StarGAN:用于多域图像到图像转换的统一生成对抗网络[J]。arXiv预印本arXiv:1711.09020,2017。
  4. 朱建业,张瑞,Pathak D,等。走向多模式图像到图像翻译[C] //神经信息处理系统的进展。2017:465-476。
https://arxiv.org/abs/1806.10050v1

https://github.com/Xiaoming-Yu/cbn

转载请注明:《CBN-translation:中心偏置规范化多映射图像到图像的翻译

发表评论