用于高保真图像生成的变分自编码器对抗训练
计算机视觉与模式识别
2018-04-30 v1
摘要
变分自编码器（VAEs）为图像生成问题提供了一种有吸引力的解决方案。然而，由于其依赖于逐像素重建损失，它们往往产生模糊和过度平滑的图像。本文引入了一种新方法来缓解基于VAE的生成模型中的这一问题。我们的模型同时学习匹配数据、重建损失以及真实与生成图像的潜变量分布，以提升生成样本的质量。为计算损失分布，我们引入了一种基于自编码器的判别器模型，其允许进行对抗学习过程。我们模型中的判别器还通过匹配潜空间中真实与生成样本的学习相似性度量，为VAE提供感知引导。为稳定整体训练过程，我们的模型采用误差反馈方法以维持模型中竞争网络之间的平衡。我们的实验表明，我们所提模型生成的样本展现出多样的属性和面部表情，并且能很好地扩展到高分辨率图像。
引用
@article{arxiv.1804.10323,
title = {Adversarial Training of Variational Auto-encoders for High Fidelity Image Generation},
author = {Salman H. Khan and Munawar Hayat and Nick Barnes},
journal= {arXiv preprint arXiv:1804.10323},
year = {2018}
}