소스에서 대상으로, 그리고 다시 소스로: 대칭적 양방향 적응형 GAN

최근 생성적 적대적 접근 방식의 특정 스타일이나 시각 영역에 맞는 이미지 생성 효과성이 비지도 도메인 적응 문제 해결을 위한 새로운 방향을 제시하고 있습니다. 원본 라벨링 데이터가 부족한 경우에도 소스 라벨링 이미지를 대상 샘플과 유사하게 수정하여 대상 영역에서 직접 분류기를 훈련시키는 것이 가능하다는 점이 입증되었습니다. 대상 영역에서 소스 영역으로의 역매핑도 평가되었지만, 이는 적응된 특징 공간을 통과하는 방법으로 이루어져 새로운 이미지 생성은 이루어지지 않았습니다. 본 논문에서는 생성적 적대적 네트워크의 적응 잠재력을 더 잘 활용하기 위해 두 영역 간의 새로운 대칭 매핑을 소개합니다. 우리는 양방향 이미지 변환을 결합하여 이를 대상 자기 라벨링과 함께 공동 최적화합니다. 또한, 두 방향의 생성자를 일치시키고 각 도메인 매핑을 거친 후에도 이미지의 클래스 식별성을 유지하도록 하는 새로운 클래스 일관성 손실 함수를 정의합니다. 재구성된 이미지에 대한 상세한 질적 및 양적 분석은 우리의 접근 방식의 강점을 확인해주며, 우리 양방향 네트워크로 얻은 두 개의 도메인 특화 분류기를 통합함으로써 네 가지 다른 벤치마크 데이터셋에서 이전 최신 비지도 적응 결과를 초월하였습니다.