- …
- …
#21
summarized by : Sou Uchida
どんな論文か？
style-transferにおいて，似たcontentの特徴同士が潜在空間上で近くなるようにencoderの出力を明示的に変換してからdecoderに渡す手法を提案．学習は2stepで構成．step1ではstyle-transfer(クラス識別器付きのD&潜在空間での入出力画像の距離使用)を学習し，step2で特徴変換器を2つのdiscriminatorを用いて学習する．
新規性
Encoderの抽出した潜在特徴をクラス情報をもとに明示的に変換したこと．
結果
ASTに比べDeception rateが従来法を0.12ポイント向上．RSSCD(対象クラスの生成結果が他クラスのアートワークよりも対象クラスのアートワークと近いかみたいな指標)，物体検出のスコア共に向上
その他（なぜ通ったか？等）
Instance Normaizationの代わりにLocal Feature Normalization Layerを提案し導入している．Artifactを軽減するという記述があるが，そもそもアートにおけるArtifactとは何かみたいなところは曖昧．
- …
- …