带编码器的生成模型的实证研究
机器学习
2018-12-20 v1 人工智能
机器学习
摘要
生成对抗网络（GANs）能够生成高质量图像样本。然而，与变分自编码器（VAEs）不同，GANs缺乏为生成器提供逆映射的编码器，即缺乏将图像编码回潜空间的能力。本工作中，我们考虑同样具有编码器的对抗学习生成模型。我们基于其生成高质量样本和真实图像重建的能力来评估模型。我们的主要贡献有两点：首先，我们发现基线双向GAN（BiGAN）可通过增加自编码器损失得以改进，代价是需额外调节一个超参数。其次，我们表明，仅需训练一个编码器来反转普通GAN的生成器，即可获得与BiGAN相当的性能。
引用
@article{arxiv.1812.07909,
title = {An Empirical Study of Generative Models with Encoders},
author = {Paul K. Rubenstein and Yunpeng Li and Dominik Roblek},
journal= {arXiv preprint arXiv:1812.07909},
year = {2018}
}