Resumen

La traducción de imágenes, en la que la imagen de entrada se mapea a su homóloga sintética, resulta atractiva por sus amplias aplicaciones en los campos de la infografía y la visión por ordenador. A pesar de los importantes avances en este problema, debidos en gran parte al gran interés por las redes generativas adversariales condicionales (cGANs), la mayoría de los enfoques basados en cGANs requieren datos supervisados, que raramente están disponibles y son caros de proporcionar. En su lugar, elaboramos un marco común que también es aplicable a los casos no supervisados, aprendiendo la imagen previa condicionando el discriminador sobre objetivos no alineados para reducir el espacio de mapeo y mejorar la calidad de la generación. Además, se propone un entrenamiento adversarial de dominio inspirado en la adaptación de dominio para capturar características discriminativas y expresivas, con el fin de mejorar la fidelidad. La eficacia de nuestro método se demuestra mediante resultados experimentales convincentes de nuestro método y comparaciones con varias líneas de base. En cuanto a la generalidad, se puede analizar desde dos perspectivas: la adaptación a entornos supervisados y no supervisados y la diversidad de tareas.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:aumento de interés, campo de la informática, red generativa adversarial, resultados experimentales convincentes, diversidad de tareas, espacio de mapeo, adaptación de dominios, traducción de imágenes, visión por ordenador, objetivo no alineado
• Keywords:surge of interest, field of computer, generative adversarial network, compelling experimental results, diversity of task, mapping space, domain adaptation, image translation, computer vision, unaligned target