双向单次无监督域映射
本篇论文讨论了单张图片从 A 领域转换到 B 领域的问题,提出了一种使用变分自编码器的训练方式,即先训练 B 领域自编码器模型,再根据待转换图片 x 创建 A 领域自编码器模型进行训练,本研究表明,该方法在只有一张样本图片 x 的情况下也能达到与现有领域转换方法相同的表现。
Jun, 2018
本文研究了如何在无监督学习的情况下,学会将 A 和 B 两个不同的数据领域进行映射,以使得 B 中的信息包含 A 中的所有信息并且增加一些附加信息。为此,采用了一个双通路编码器和一个解码器,并且采用了一些损失函数对两个域进行重建和区分度优化。实验结果表明,该方法比文献导向的翻译方法更为简单,并且在一些视觉领域中取得了令人信服的结果,例如 no-glasses 到 glasses 以及基于参考图像添加面部毛发等。
Jan, 2020
该论文提出了一种学习 $oldsymbol {G}_{AB}$ 而不学习 $oldsymbol {G}_{BA}$ 的方法,通过学习一种能够保持数据距离的映射来实现,实验结果表明该方法不仅可以实现单面的映射学习,而且相比于现有的基于循环约束的方法具有更好的数值结果表现,同时提供代码公开。
Jun, 2017
我们提出了一种名为 Domain-Bank 的新型统一框架,该框架由一个全球共享的自编码器和 n 个特定领域的编码器 / 解码器组成,假设可以投影出一个通用共享潜在空间。除了高效率外,我们还在各种具有挑战性的无监督图像转换任务中展示了可比(甚至更好的)图像转换结果(包括人脸图像转换,时尚服装转换和绘画风格转换)。此外,由于该框架具有显式的域特定解码器及通用共享的潜在空间的表示,因此它还使我们能够进行增量学习来添加新的域编码器 / 解码器,并通过融合相应的解码器来获得不同域的表示的线性组合。
Dec, 2017
提出了一种无监督域适应的通用框架,利用添加额外的网络和损失函数,通过使用图像翻译框架和特征提取实现在无需目标域训练数据的情况下,测试源域训练的深度神经网络在不同的目标域上的能力,并在分类和分割任务上,应用于 MNIST、USPS、SVHN 和 Amazon、Webcam、DSLR Office 以及 GTA5 和 Cityscapes 数据集,取得了最先进的性能。
Dec, 2017
本文提出一种基于自动编码器(autoencoder)的快速域适应方法来处理无线通信中信道改变的问题,该方法相比传统方法使用少量标记数据,不需要重复训练自动编码器,并且基于高斯混合密度网络(MDN)提出了一个正则化的参数适应方法。
Aug, 2021
无监督多领域转换是将数据从一个领域转换到其他领域的任务,我们提出的方法基于改进的变分自编码器,利用两个分离的潜在变量以一种可控的方式实现。我们通过实验证明了我们的方法在不同的视觉数据集上可以提高其他知名方法的性能,并证明了一个潜在变量存储与领域相关的所有信息,而另一个几乎不包含任何领域信息。
Jan, 2024
本文提出了一种基于层次生成方法和变分自编码器的无监督领域泛化算法,能够在不受领域特定信息约束的情况下学习表征并在多种领域设置下优于先前提出的领域泛化算法和现有的其他非生成式方法。另外,作者还提出了基于 ELBO 的模型选择和弱领域监督算法。
Jan, 2021
本文介绍了一种 “Domain Transfer Network (DTN)” 算法,它可以通过学习生成一个映射函数,将一个领域中的样本转移到另一个领域,并能在保持其他函数不变的情况下,在包含多分类 GAN 损失的复合损失函数的指导下,增强互补函数,鼓励映射函数将样本从 T 到 T 自身,并且用于数字和面部图像等领域生成新的可信图像,同时保留它们的身份.
Nov, 2016
本文提出一种自监督学习的新训练策略,通过图像转换网络实现在合成和真实领域之间的域不变表示学习,从而提高单张图像深度估计在现实世界中的泛化能力。实验结果表明,该方法在 KITTI 和 Make3D 数据集上均优于现有技术。
Jun, 2021