Contrastive learning for unsupervised image-to-image translation

计算机科学 图像(数学) 翻译(生物学) 人工智能 图像翻译 自然语言处理 计算机视觉 模式识别(心理学) 生物化学 基因 信使核糖核酸 化学
作者
Hanbit Lee,Jinseok Seol,Sang-goo Lee,Jaehui Park,Junho Shim
出处
期刊:Applied Soft Computing [Elsevier BV]
卷期号:151: 111170-111170 被引量:6
标识
DOI:10.1016/j.asoc.2023.111170
摘要

Image-to-image translation (I2I) aims to learn a mapping function to transform images into different styles or domains while preserving their key structures. Typically, I2I models require manually defined image domains as a training set to learn the visual differences among the image domains and achieve the ability to translate images across them. However, constructing such multi-domain datasets on a large scale requires expensive data collection and annotation processes. Moreover, if the target domain changes or is expanded, a new dataset should be collected, and the model should be retrained. To address these challenges, this article presents a novel unsupervised I2I method that does not require manually defined image domains. The proposed method automatically learns the visual similarity between individual samples and leverages the learned similarity function to transfer a specific style or appearance across images. Therefore, the developed method does not rely on cost-intensive manual domains or unstable clustering results, leading to improved translation accuracy at minimal cost. For quantitative evaluation, we implemented a state-of-the-art I2I models and performed image transformation on the same input image using the baselines and our method. The image quality was then assessed using two quantitative metrics: Frechet inception distance (FID) and translation accuracy. The proposed method exhibited significant improvements in image quality and translation accuracy compared with the latest unsupervised I2I methods. Specifically, the developed technique achieved a 25% and 19% improvement over the best-performing unsupervised baseline in terms of FID and translation accuracy, respectively. Furthermore, this approach demonstrated performance nearly comparable to those of supervised learning-based methods trained using manually collected and constructed domains.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
sevten完成签到,获得积分10
刚刚
田园完成签到,获得积分10
刚刚
彭于晏应助yao采纳,获得10
刚刚
王灿灿完成签到,获得积分10
刚刚
karl完成签到,获得积分10
1秒前
1秒前
Onism完成签到,获得积分10
1秒前
鱼贝贝完成签到 ,获得积分10
2秒前
AlvinCZY发布了新的文献求助20
2秒前
爱听歌完成签到,获得积分10
2秒前
wu_shang完成签到,获得积分10
2秒前
量子星尘发布了新的文献求助10
3秒前
XT666发布了新的文献求助10
3秒前
犹豫酸奶发布了新的文献求助10
3秒前
吴兰田完成签到,获得积分10
3秒前
彭凯完成签到 ,获得积分10
3秒前
Liao完成签到,获得积分10
4秒前
4秒前
十月的天空完成签到 ,获得积分10
4秒前
zhuhan发布了新的文献求助10
5秒前
卡卡完成签到 ,获得积分10
5秒前
Painkiller_完成签到,获得积分10
5秒前
jade完成签到,获得积分10
6秒前
oli发布了新的文献求助10
6秒前
张艳茹完成签到,获得积分20
6秒前
瞿访云完成签到,获得积分10
7秒前
消摇完成签到,获得积分10
7秒前
duts完成签到 ,获得积分10
8秒前
feilei完成签到,获得积分10
9秒前
量子星尘发布了新的文献求助10
9秒前
大王具足虫完成签到,获得积分10
9秒前
xx完成签到 ,获得积分10
10秒前
欣欣完成签到 ,获得积分10
10秒前
11秒前
zzz完成签到,获得积分10
11秒前
11秒前
打打应助科研通管家采纳,获得10
12秒前
科研通AI5应助科研通管家采纳,获得10
12秒前
12秒前
12秒前
高分求助中
Production Logging: Theoretical and Interpretive Elements 2700
Neuromuscular and Electrodiagnostic Medicine Board Review 1000
Statistical Methods for the Social Sciences, Global Edition, 6th edition 600
こんなに痛いのにどうして「なんでもない」と医者にいわれてしまうのでしょうか 510
ALUMINUM STANDARDS AND DATA 500
Walter Gilbert: Selected Works 500
岡本唐貴自伝的回想画集 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 物理 生物化学 纳米技术 计算机科学 化学工程 内科学 复合材料 物理化学 电极 遗传学 量子力学 基因 冶金 催化作用
热门帖子
关注 科研通微信公众号,转发送积分 3666670
求助须知:如何正确求助?哪些是违规求助? 3225617
关于积分的说明 9764084
捐赠科研通 2935444
什么是DOI,文献DOI怎么找? 1607713
邀请新用户注册赠送积分活动 759338
科研通“疑难数据库(出版商)”最低求助积分说明 735261