通过混合因素来分解变化因素

CVPRNov, 2017

Disentangling Factors of Variation by Mixing Them

Qiyang Hu, Attila Szabó, Tiziano Portenier, Matthias Zwicker, Paolo Favaro

TL;DR本文提出了一种不依赖于手动标注或数据领域知识的学习图像表示的方法，其实现了图像属性解离因素，其中每个因素代表一个一致的图像属性，这种解离后的特征可以应用于多种领域，例如将特定属性从一个图像转移到另一个图像、基于一个或多个属性进行分类或检索。这种方法中的自动编码器架构包括两个新的训练目标：不变性目标和分类目标，以确保每个特征块的编码对于其他属性是固定不变的，同时对于一致可辨的属性，避免出现完全被忽略的特征映射。实验验证了该方法在 MNIST、Sprites 和 CelebA 数据集上的有效性。

Abstract

We propose an approach to learn image representations that consist of disentangled factors of variation without exploiting any manual labeling or data domain knowledge. A factor of variation corresponds to an image attribute that can be discerned consistently across a set of images, such as the pose or color of objects. Our →

disentangled representation image attributes autoencoder architecture invariance objective classification objective

发现论文，激发创造

解开独立变化因素的挑战

本文研究了如何使用自编码器模型来解决因素糾纏問題，並通過在圖像對和三元組之間施加約束來訓練它。在實驗中，我們證明了此模型可以成功地在多個數據集上轉移屬性，但也存在參照模糊的情況。

Nov, 2017

使用对抗训练解缠混合因素的深度表达

我们提出了一种有条件的生成模型，用于学习将标记的观察结果的隐藏变化因素分离并分解成互补代码，实验结果表明该方法能够推广到未见过的类别和内类别变异。

Nov, 2016

DNA-GAN：从多属性图像中学习解缠表示

本文提出了一种名为 DNA-GAN 的监督学习模型，其通过将图像的不同特征或属性分解开来，达到了逼真的图像生成和特征分离的效果，并在 Multi-PIE 和 CelebA 数据集上得到实验证明其在因素分离方面是有效的。

Nov, 2017

通过循环一致变分自编码器分离变异因素