摘要
在传统无监督的图像到图像转换任务中，训练完成后的翻译框架将舍弃鉴别器。本次分享的这篇文章通过重用鉴别器对目标域的图像进行编码，提出了一种新的鉴别器角色。这个被称为NICE-GAN的体系结构展示了它的两种先进性：第一，它更紧凑，不需要独立的编码组件；第二，这种插入式编码器直接由对抗损失训练，在使用多尺度鉴别器的情况下将更具信息量和更有效的训练。NICE-GAN最主要的问题是训练时期的耦合，为了解决这个问题，本文提出了一种解耦的训练策略。通过这种策略，编码器只在最大化对抗损失时训练，其他情况下保持冻结。本文在四个流行的基准上进行了大量的实验，证明了该方法在FID、KID和人类偏好方面的优越性能。代码在
转载请注明：http://www.0431gb208.com/sjszlfa/2443.html
