按年被提到
20172017 · 4 次2026
视觉、语音与图像生成›生成对抗网络·arXiv:1703.05192 · cs.CV

Learning to Discover Cross-Domain Relations with Generative Adversarial Networks

用生成对抗网络学习发现跨域关系
Taeksoo Kim, Moonsu Cha, Hyunsoo Kim, Jung Kwon Lee, Jiwon Kim · 2017

DiscoGAN:用未配对数据发现两个域之间的关系并做风格迁移

开始阅读 ↗PDFalphaXiv 讨论
被提及 · 3 人首次 2017-03-18 · 最近 2017-06-01
3不同的人
3活跃月份
4讨论串
1,713被引(OpenAlex)

人类能无监督地识别不同领域数据之间的关系,让机器自动发现则很难,通常需要大量成对的真值样本。为避免昂贵的配对,论文针对未配对数据提出基于生成对抗网络的 DiscoGAN,学习发现不同域之间的关系。利用发现的关系,网络能把风格从一个域迁移到另一个域,同时保留朝向、人脸身份等关键属性。

HN 为什么提它

评论者认为 DiscoGAN 从未配对的照片学习跨域映射,很适合他们手头的任务;另有一条是招聘广告,不含对论文的评价。

方法难度 3 / 5约 35 分钟经得起时间
读之前最好知道
1生成对抗网络(GAN)
2卷积神经网络(CNN)
3图像到图像翻译
4风格迁移

学习路径

读这篇之前,按顺序读书架上的 3 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出

先读卷积 GAN 与训练技巧,再看有配对数据的条件式图像翻译,最后读无配对数据下发现跨域关系的 DiscoGAN。

  1. 1
    Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks用深度卷积生成对抗网络进行无监督表示学习(DCGAN) · 2015

    DiscoGAN 的生成器与判别器采用卷积 GAN 架构

    读看架构约束与训练稳定性做法

  2. 2
    Improved Techniques for Training GANs改进的 GAN 训练技术 · 2016

    GAN 训练不稳定,这些技巧是实践中常用的稳定手段

    读看特征匹配、小批量判别等技巧,了解训练难点

  3. 3

    需要配对数据的图像翻译,DiscoGAN 的目标是去掉配对要求

    读看条件 GAN 如何在配对图像上训练,并思考去掉配对后的难点

  4. 4
    Learning to Discover Cross-Domain Relations with Generative Adversarial Networks用生成对抗网络学习发现跨域关系 · 2017 · 就是这篇

    在无配对数据下用双向映射发现跨域关系

    读看两个域间的双向生成与重建约束,以及风格迁移实验

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
引用gwern · 2017-03

“I can't help but think that DiscoGAN (Learning to Discover Cross-Domain Relations with Generative Adversarial Networks "Learning to Discover Cross-Domain Relations with Generative Adversarial Networks", Kim et al 2017) would be perfect for this.”

认为 DiscoGAN 很适合用在眼前这个场景
Deep Photo Style Transfer原评论 ↗
引用risto · 2017-06

“See our recent research paper on DiscoGAN (Learning to Discover Cross-Domain Relations with Generative Adversarial Networks accepted to ICML 2017)”

作者推荐自己刚被 ICML 2017 接收的 DiscoGAN 论文
Ask HN: Who is hiring? (June 2017)原评论 ↗
被提交为 story · 2 次