用于图像生成与操控的对抗近似自编码器
机器学习
2019-02-18 v1 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
正则化自编码器学习潜码——一种在分布下带有正则化的结构,这使其具备给定观测推断潜码、给定潜码生成新样本的能力。然而,它们有时存在歧义,因为往往产生未必忠实复现输入的重构。主要原因是在真实分布未知的情况下,强制所学潜码分布匹配先验分布。为提升重构质量并学习具有流形结构的潜空间,本工作提出一种新方法,使用对抗近似自编码器(AAAE)通过对抗近似来研究潜码。AAAE 不通过对模型与目标分布间距离施罚来正则化潜码,而是灵活地学习自编码器,并以更简单的生成器近似潜空间。该比率使用生成对抗网络(GAN)估计,以强制分布间的相似性。此外,图像空间由额外的对抗正则化器正则化。所提方法统一了两种深度生成模型,用于潜空间推断与多样化生成。该学习方案无需对潜码正则化即可实现,这也促进了忠实重构。在四个真实世界数据集上的大量验证实验展示了 AAAE 的优越性能。与最先进方法相比,AAAE 生成质量更好的样本,并具备正则化自编码器的良好潜流形结构特性。
引用
@article{arxiv.1902.05581,
title = {Adversarially Approximated Autoencoder for Image Generation and Manipulation},
author = {Wenju Xu and Shawn Keshmiri and Guanghui Wang},
journal= {arXiv preprint arXiv:1902.05581},
year = {2019}
}