摘要
我们研究了将一个域中的样本转换为另一个相关域中类似样本的问题。给定两个相关的域 ( S ) 和 ( T )，我们的目标是学习一个生成函数 ( G )，该函数能够将来自域 ( S ) 的输入样本映射到域 ( T )，同时保证在两个域中都能接受输入的给定函数 ( f ) 的输出保持不变。除了函数 ( f ) 之外，训练数据是无监督的，包括每个域的一组样本。我们提出的域传输网络（Domain Transfer Network, DTN）采用了一个复合损失函数，该损失函数包含多类生成对抗网络（GAN）损失、( f )-恒定性成分以及一个正则化成分，后者鼓励 ( G ) 将来自域 ( T ) 的样本映射回自身。我们将该方法应用于视觉领域，包括数字图像和人脸图像，并展示了其生成令人信服的新颖图像的能力，这些图像是之前未见过的实体，同时保留了它们的身份特征。