论文解读：Detach and Adapt: Learning Cross-Domain Disentangled Deep Representation

论文题目：Detach and Adapt: Learning Cross-Domain Disentangled Deep Representation(CVPR2018 spotlight)

论文思路：主要提出跨域表征分离网络CDRD（Cross-Domain Representation Disentangler (CDRD)）以及将CDRD和条件图像翻译相结合的拓展网络ECDRD(Extend)，然后利用提出的网络解决无监督的分类领域自适应问题，以及条件图像翻译；

网络结构：

优化过程：

注意：该算法的源数据的标注是属性标注，如人脸中的表情标注(戴眼镜等)，同时学习出的z是源域和目标域的公共特征空间，z是符合N(0,I)分布；其中ECDRD的结构和DISE的论文结构很像，输入源域和目标域数据，得到z，然后和属性结合自重建和交叉重建，区别是z可以是随机抽样得到，属性是标签，而且有额外的辅助分类器分类属性（借鉴ACGAN和infoGAN）；

注意：本论文中属性是标签标注的，z是需要学到的公共特征空间，并且符合N(0,I)分布，在ECDRD中在源域和目标域得到的z需要和N(0,I)分布求KL散度，作为z的loss，同时借鉴论文ICML2016的Autoencoding beyond pixels using a learned similarity metric.衡量自重建的相似性，这也是一种perceptual loss；

可借鉴的地方：

1、本文的KL散度衡量公共特征空间z和N(0,I)分布，类似于DIRT中KL散度衡量随机抽样的属性分布N(0.1)和源域和目标域分离的属性之间的差异；只不过一个是属性空间，一个是特征空间’；2、可以借鉴自重建的感知损失的度量；

实验结果：

数据：

迁移效果：

其中论文只说了在手写字符的图像是16*16的灰度图resize成28*28的灰度图，其他的两个实验没说尺寸的问题，因此本文的条件图像翻译ECDRD在大尺寸的图像翻译上的效果有待考证；

最后做了一个超参数的实验：

lambda是图表中loss中判别器loss的加权值，ECDRD中：可见当网络中有多个loss时，不同loss之间的权重对结果的影响也很大；论文中取lambda=1；

标签：loss,Domain,论文,Disentangled,Cross,源域,图像,ECDRD,属性
来源： https://blog.csdn.net/yshtjdx/article/details/98324971