CapsGAN：将动态路由用于生成对抗网络
计算机视觉与模式识别
2018-06-12 v1 机器学习
摘要
在本文中，我们提出了一种新技术，用于从具有高度几何变换的图像生成 3D 领域的图像。通过结合近年来在机器学习领域迅速崛起的两种流行方法：GANs (Goodfellow 等) 和 Capsule networks (Sabour, Hinton 等) —— 我们提出了：\textbf{CapsGAN}。我们表明，在使用旋转的 MNIST 生成具有高几何变换的图像时，CapsGAN 的性能优于或等于传统的基于 CNN 的 GANs。在此过程中，我们还展示了在 GANs 领域使用 capsules 架构的有效性。此外，我们通过尝试使用 Wasserstein 距离（梯度裁剪、惩罚）和谱归一化来解决训练 GANs 中的戈尔迪之结——性能控制和训练稳定性。本文的实验发现应能推动 capsules 和 GANs 在仍然令人兴奋且新兴的 3D 图像生成以及可能的视频（帧）生成领域的应用。
引用
@article{arxiv.1806.03968,
title = {CapsGAN: Using Dynamic Routing for Generative Adversarial Networks},
author = {Raeid Saqur and Sal Vivona},
journal= {arXiv preprint arXiv:1806.03968},
year = {2018}
}
备注
Draft Submission