SharinGAN : Combinaison de données synthétiques et réelles pour l'estimation géométrique non supervisée

Nous proposons une nouvelle méthode pour combiner des images synthétiques et réelles lors de l'entraînement de réseaux visant à déterminer des informations géométriques à partir d'une seule image. Nous suggérons une méthode permettant de mapper les deux types d'images dans un domaine unique et partagé. Cette méthode est connectée à un réseau principal pour un entraînement en bout-à-bout. Idéalement, cela aboutit à des images provenant de deux domaines qui présentent des informations partagées au réseau principal. Nos expériences montrent des améliorations significatives par rapport à l'état de l'art dans deux domaines importants : l'estimation des normales de surface sur les visages humains et l'estimation de profondeur monoculaire pour les scènes extérieures, tous deux dans un cadre non supervisé.