周佳鋒
國立臺北教育大學 資訊科學研究所 研究生
Email：lucky48tw@gmail.com
劉遠楨
國立臺北教育大學 資訊科學研究所 教授
Email：liu@tea.ntue.edu.tw
摘要
以往訓練神經網路，必須透過人工繁複作業收集、整理、標記大量資料，再將資料放入神經網路中訓練。但是對於特定領域資料收集並不容易且通常所費不貲。相對地，使用不成對數據集和未監督式架構進行圖像對圖像的轉換，不但能增加資料集資料，也能讓資料集多樣化。而眾多研究也證明了這種資料預處理的方法。例如，調整顏色和色相分佈，同時保留常規的顏色屬性。這也代表對象的實際顏色很重要，其顏色影響整個模型最後的準確度以及最後訓練結果。因此，圖像轉換相關技術的研究有其必要性。在深度學習上提供資料預處理，擴增資料量這個方法也會提升整體訓練結果。
本研究使用風格轉換技術作為神經網路的基礎架構，搭配跨領域轉換遷移技術的損失函數，將一個領域的特徵轉移到另一個領域的特徵上，可以靈活地學習將已經在不同領域學到的特徵連接在一起。因此，在一個領域內的條件下，就可以強化及控制潛在變數，透過控制跨領域轉換遷移技術，在條件內學習領域內生成特定樣本。研究結果證明輸出端會保留更多輸入端的RGB 顏色特徵，並且比單純使用風格轉換技術產出的圖像顏色更柔和。
關鍵字：生成對抗網路、圖像轉換、風格轉換