通过局部维数估计分析GAN的潜空间
计算机视觉与模式识别
2023-04-27 v2
摘要
基于风格的GAN（StyleGANs）在高保真图像合成方面的惊人成功，推动了理解其潜空间语义属性的研究。本文中，我们将该问题作为流形上的潜空间几何分析来处理。具体而言，我们提出了一种针对预训练GAN模型中任意中间层的局部维数估计算法。估计出的局部维数被解释为从该潜变量出发可能的语义变化数量。此外，该内蕴维数估计实现了对潜空间解耦性的无监督评估。我们提出的称为Distortion的度量，衡量了所学潜空间上内蕴切空间的不一致性。Distortion是纯几何的，不需要任何额外属性信息。尽管如此，Distortion与全局基兼容性和有监督解耦分数表现出高度相关性。我们的工作是迈向在无属性标签情况下从GAN的多种潜空间中选择最解耦潜空间的第一步。
引用
@article{arxiv.2205.13182,
title = {Analyzing the Latent Space of GAN through Local Dimension Estimation},
author = {Jaewoong Choi and Geonho Hwang and Hyunsoo Cho and Myungjoo Kang},
journal= {arXiv preprint arXiv:2205.13182},
year = {2023}
}