朱俊彦团队最新论文：GAN监督学习给晃动猫狗加表情，丝滑又贴合( 二 )

再在具有挑战的SPair-71K数据集上将GANgealing与几种自监督SOTA方法进行性能评估。
比的则是PCK-Transfer值（PCK ， percentageofkeypoints），它衡量的是关键点从源图像转换到目标图像的百分比。
结果发现， GANgealing在3个类别上的表现都明显优于目前的方法，尤其是在自行车和猫图集上实现了对自监督方法CNNgeo和A2Net的两倍超越。

当然， GANgealing在数据集图片与示例差太多时表现得就不太好，比如面对下面这种侧脸的猫以及张开翅膀的小鸟。

作者介绍
GANgealing的作者们分别来自UC伯克利、CMU、Adobe以及MIT 。

一作为UC伯克利三年级的博士生BillPeebles ，研究方向为无监督学习，重点是图像和视频的深度生成模型。
目前在CMU担任助理教授的青年大牛朱俊彦也在其中。
【朱俊彦团队最新论文：GAN监督学习给晃动猫狗加表情，丝滑又贴合】通讯作者为AdobeResearch的高级首席科学家EliShechtman ，他发表了100多篇论文，曾获得ECCV2002最佳论文奖、WACV2018最佳论文奖、FG2020最佳论文亚军以及ICCV2017的时间检验奖等荣誉。
论文地址：https://arxiv.org/abs/2112.05143
代码：https://github.com/wpeebles/gangealing
项目主页：
https://www.wpeebles.com/gangealing