Cyclegan++: enhancing performance through parameter sharing and domain alignment

Mohammad Mahmoudabadi

doi:10.1007/s11042-026-21645-4

2026-04-29

PRE

Mohammad Mahmoudabadi

Mansoor Rezghi *

DOI：10.1007/s11042-026-21645-4

原文链接

原文求助

摘要

En 中文

图像到图像（I2I）翻译是计算机视觉中的一个实际任务，旨在将一个图像域映射到另一个图像域。近年来，基于生成对抗网络（GAN）的方法已成为该任务的主要方法。虽然针对配对数据的方法已被提出许多，但在无配对场景下解决方案较少，其中CycleGAN是利用循环一致性损失的关键方法之一。然而，CycleGAN及其扩展依赖于两个独立的生成网络，增加了参数数量并通过独立执行域转换而使模型复杂化。在本文中，我们提出了一种新颖的方法，通过利用生成器之间的参数共享并引入名为域对齐（DA）的新损失函数来增强性能，使域在特征空间中的分布更接近。我们的方法有效地减少了参数数量，加速了训练时间，并实现了优于或相当于CycleGAN的结果。在五个I2I任务上的广泛实验——包括物体变形、季节转换、照片增强、昼夜转换和艺术风格转换——表明，我们的模型在大多数域中优于CycleGAN，特别是在照明和纹理变化等强外观变化下表现尤为突出。使用Fréchet Inception距离（FID）和核Inception距离（KID）的定量结果，以及定性分析和用户研究，进一步验证了我们输出的视觉质量和语义一致性。此外，该技术有潜力应用于其他基于循环的模型。

Keyword:

Generative adversarial networks

Image-to-Image translation

Parameter sharing

Domain alignment