یادگیری تبدیل تصویر به کمک شبکه های مولد تخاصمی

این پژوهش به بررسی مسئله ی تبدیل تصویر می پردازد، با هدف یادگیری دگرگونی های بنیادین (مانند تغییر فصل ها) از مجموعه ای از تصاویر بدون برچسب. این وظیفه در چارچوب یادگیری بدون ناظر به چالشی چشمگیر تبدیل می شود. برای غلبه بر این مانع، چارچوب یادگیری نوینی مبتنی بر شبکه های مولد تخاصمی ارائه می دهیم که در آن متمایزکننده و مولد فضای تبدیل یکسانی را به اشتراک می گذارند. پس از بهینه سازی کامل مدل، انتظار می رود هر دو نقطه در این فضای مشترک یک تبدیل معتبر را تعریف کنند. بدین ترتیب، در مرحله استنتاج، قادریم عامل تغییر بین هر زوج تصویر دلخواه را با نگاشت هر دو تصویر به فضای تبدیل به طور کامل استخراج کنیم. بردار تبدیل حاصل می تواند سنتز تصویر را هدایت کرده ویرایش تصویر را با ایجاد تغییرات معنایی پیوسته مانند تبدیل تابستان به زمستان با عبور از مرحله میانی (پاییز) میسر سازد. شایان توجه است که فضای تبدیل یادگرفته شده نه تنها انتقال سبک تصاویر مانند تغییر روز به شب بلکه دستکاری محتوای تصویر مانند افزودن ابر به آسمان را نیز پشتیبانی می کند. افزون بر این، تحلیل عمیقی از ویژگی های فضای تبدیل ارائه شده تا چگونگی سازماندهی تبدیل های گوناگون را روشن سازد.

کلیدواژه ها:

تبدیل تصویر ، یادگیری بدون ناظر ، شبکه های مولد ، تخاصمی ، فضای تبدیل ، سنتز تصویر