Unpaarierte Bild-zu-Bild-Übersetzung mit zyklisch konsistenten adversären Netzwerken

Bild-zu-Bild-Übersetzung ist eine Klasse von Problemen im Bereich Vision und Grafik, bei der das Ziel darin besteht, die Zuordnung zwischen einem Eingangsbild und einem Ausgangsbild zu lernen, indem ein Trainingsdatensatz mit ausgerichteten Bildpaaren verwendet wird. Allerdings sind für viele Aufgaben gepaarte Trainingsdaten nicht verfügbar. Wir präsentieren einen Ansatz, um ein Bild vom Quellbereich (X) zum Zielbereich (Y) zu übersetzen, ohne auf gepaarte Beispiele zurückgreifen zu müssen. Unser Ziel ist es, eine Abbildung (G: X \rightarrow Y) zu lernen, sodass die Verteilung der Bilder aus (G(X)) nicht von der Verteilung (Y) unterscheidbar ist, indem wir einen adversären Verlust verwenden. Da diese Abbildung stark unterbestimmt ist, koppeln wir sie mit einer inversen Abbildung (F: Y \rightarrow X) und führen einen Zykluskonsistenzverlust ein, um sicherzustellen, dass (F(G(X)) \approx X) (und umgekehrt). Qualitative Ergebnisse werden für mehrere Aufgaben präsentiert, bei denen gepaarte Trainingsdaten nicht existieren, einschließlich Stilverteilung in Sammlungen, Objekttransfiguration, Saisonerweiterung und Fotoverbesserung. Quantitative Vergleiche mit mehreren vorherigen Methoden zeigen die Überlegenheit unseres Ansatzes.