Key points are not available for this paper at this time.
Unüberwachte Bild-zu-Bild-Übersetzung hat aufgrund der jüngsten bemerkenswerten Fortschritte in generativen adversarialen Netzwerken (GANs) beträchtliche Aufmerksamkeit erhalten. Bei der Bild-zu-Bild-Übersetzung verwenden moderne Methoden ungepaartes Bildmaterial, um Zuordnungen zwischen den Quell- und Zielbereichen zu erlernen. Trotz vielversprechender Ergebnisse scheitern jedoch bestehende Ansätze häufig unter herausfordernden Bedingungen, insbesondere wenn Bilder verschiedene Zielinstanzen aufweisen und eine Übersetzungsaufgabe signifikante Übergänge in Form und visuellen Artefakten erfordert, wenn es um die Übersetzung von Informationen auf niedriger Ebene anstelle von hoher Ebene Semantik geht. Um das Problem zu lösen, schlagen wir ein neuartiges Framework namens Progressive Unsupervised Generative Attentional Networks with Adaptive Layer-Instance Normalization (PRO-U-GAT-IT) für die unüberwachte Bild-zu-Bild-Übersetzungsaufgabe vor. Im Gegensatz zu bestehenden auf Aufmerksamkeit basierenden Modellen, die nicht in der Lage sind, geometrische Übergänge zwischen dem Quell- und Zielbereich zu bewältigen, können unsere Modelle Bilder übersetzen, die umfangreiche und ganzheitliche Veränderungen in der Form erfordern. Experimentelle Ergebnisse zeigen die Überlegenheit des vorgeschlagenen Ansatzes im Vergleich zu bestehenden modernsten Modellen auf verschiedenen Datensätzen.
Lee et al. (Di,) haben diese Frage untersucht.