自编码生成对抗网络
机器学习
2020-04-14 v1 机器学习
摘要
自 Goodfellow 等人提出生成对抗网络 (GANs) 以来的几年中，生成模型应用的广度与质量呈现爆发式增长。尽管有这些工作，GANs 在主流采用前仍有很长的路要走，这主要归因于其臭名昭著的训练不稳定性。在此，我提出自编码生成对抗网络 (AEGAN)，一种四网络模型，通过对生成图像和生成潜向量施加对抗损失与重构损失，学习指定潜空间与给定样本空间之间的双射映射。AEGAN 技术对典型 GAN 训练提供了若干改进，包括训练稳定化、模式崩溃预防，以及允许真实样本间的直接插值。使用该技术在一个动漫人脸数据集上说明了其有效性。
引用
@article{arxiv.2004.05472,
title = {Autoencoding Generative Adversarial Networks},
author = {Conor Lazarou},
journal= {arXiv preprint arXiv:2004.05472},
year = {2020}
}
备注
7 pages, 4 figures