CoDeGAN:面向生成对抗网络的对比解耦
计算机视觉与模式识别
2024-06-03 v2 人工智能
机器学习
摘要
解耦是可解释机器学习中的关键问题,也引起了计算机视觉界的显著关注。许多现有的基于GAN的类解耦(无监督)方法,如InfoGAN及其变体,主要旨在最大化生成图像与其潜码之间的互信息(MI)。然而,这一关注可能导致网络在给定相同潜类因子时倾向于生成高度相似的图像,潜在引发模式崩溃或模式丢弃。为缓解此问题,我们提出\texttt{CoDeGAN}(面向生成对抗网络的对比解耦),将解耦的相似性约束从图像域放宽至特征域。这一改动不仅增强了GAN训练的稳定性,也提升了其解耦能力。此外,我们将自监督预训练整合进CoDeGAN以学习语义表示,显著促进了无监督解耦。大量实验结果证明了我们的方法在多个基准上优于最先进方法。代码见https://github.com/learninginvision/CoDeGAN。
引用
@article{arxiv.2103.03636,
title = {CoDeGAN: Contrastive Disentanglement for Generative Adversarial Network},
author = {Jiangwei Zhao and Zejia Liu and Xiaohan Guo and Lili Pan},
journal= {arXiv preprint arXiv:2103.03636},
year = {2024}
}