1. Introduction

• Attribute: A meaningful feature inherent in an image such as hair color, gender or age.
• Attribute value: A particular value of an attribute, e.g., black/blond/brown for hair color or male/female for gender.
• Domain: A set of images sharing the same attribute value.
• Multi-domain image-to-image translation: We change images according to attributes from multiple domains.
• Training multiple domains from different datasets is possible, such as jointly training CelebA and RaFD images to change a CelebA image’s facial expression using features learned by training on RaFD.
• 현존 모델들의 문제점:
  • $k$개의 Domain이 있을 때 ${k}P{2}$개의 모델이 필요합니다.
  • 전체 Domain에 대한 공통된 Features가 있다고 하더라고 2개의 Domain으로부터밖에 학습이 불가합니다.
• 모델은 Domain의 정보를 One-hot encoded label로서 받아들입니다. 학습 중에는 Target domain label을 무작위로 정하고 그 Domain으로 이미지를 번역하도록 모델이 학습됩니다.
• Adding a mask vector to the domain label:
  • 모르는 Label을 무시하고 특정 데이터셋에 의해 주어지는 Label에만 집중하도록 합니다.

2. Related Work

• 생략합니다.

3. Star Generative Adversarial Networks

3.1) MultiDomain Image-to-Image Translation

• $x$: Source domain image.
• $y$: Target domain image.
• $c$: Randomly generated target domain label. $$G(x, c) \rightarrow y$$
• $D_{\text{src}}(x)$: Probability distribution over sources.