GAN 中潜在语义的闭式分解
计算机视觉与模式识别
2021-04-06 v4
摘要
已有研究表明，在训练用于合成图像的生成对抗网络（GANs）的潜在空间中会涌现出丰富的可解释维度。为识别此类用于图像编辑的潜在维度，先前方法通常标注一组合成样本并在潜在空间中训练线性分类器。然而，它们需要目标属性的清晰定义以及相应的手动标注，限制了实际应用。本工作中，我们考察 GAN 学习到的内部表示，以无监督方式揭示底层变化因子。特别地，我们仔细审视 GAN 的生成机制，并进一步提出一种闭式分解算法，通过直接分解预训练权重来实现潜在语义发现。凭借极速实现，我们的方法不仅能找到与最先进监督方法可比的语义有意义维度，还能在训练于广泛数据集的多个 GAN 模型上产生远更通用的概念。
引用
@article{arxiv.2007.06600,
title = {Closed-Form Factorization of Latent Semantics in GANs},
author = {Yujun Shen and Bolei Zhou},
journal= {arXiv preprint arXiv:2007.06600},
year = {2021}
}
备注
CVPR 2021 camera-ready