基于局部坐标编码的对抗学习
计算机视觉与模式识别
2018-06-15 v2
摘要
生成对抗网络（GANs）旨在从某种先验分布（如高斯噪声）生成逼真数据。然而，此类先验分布常独立于真实数据，因而可能丢失数据的语义信息（如图像中的几何结构或内容）。实践中，语义信息可能由从数据中学得的某些潜分布表示，但这类潜分布在 GANs 中难以用于采样。本文中，我们不再从预定义先验分布采样，而是提出一种基于局部坐标编码（LCC）的采样方法来改进 GANs。我们推导了基于 LCC 的 GANs 的泛化界，并证明小维度输入足以实现良好泛化。在多个真实世界数据集上的大量实验证明了所提方法的有效性。
引用
@article{arxiv.1806.04895,
title = {Adversarial Learning with Local Coordinate Coding},
author = {Jiezhang Cao and Yong Guo and Qingyao Wu and Chunhua Shen and Junzhou Huang and Mingkui Tan},
journal= {arXiv preprint arXiv:1806.04895},
year = {2018}
}
备注
14 pages, 7 figures, 4 tables