用于图像生成与修改的生成对抗网络技术比较
机器学习
2018-03-28 v1 计算机视觉与模式识别
机器学习
摘要
生成对抗网络（GAN）已被证明在生成逼真的真实世界图像方面是成功的。在本文中，我们比较了各种 GAN 技术，包括有监督和无监督方法。比较了不同目标函数对训练稳定性的影响。我们在网络中加入了编码器，使得将图像编码到 GAN 的潜空间成为可能。生成器、判别器和编码器由深度卷积神经网络参数化。对于判别器网络，我们尝试使用了新颖的 Capsule Network，这是一种用于检测图像全局特征的先进技术。实验使用了数字和人脸数据集，并通过各种可视化展示了结果。结果表明，使用编码器网络可以重建图像。使用条件 GAN，我们可以改变生成或编码图像的视觉属性。与标准卷积神经网络相比，使用 Capsule Network 作为判别器的实验生成的图像质量较低。
引用
@article{arxiv.1803.09093,
title = {Comparing Generative Adversarial Network Techniques for Image Creation and Modification},
author = {Mathijs Pieters and Marco Wiering},
journal= {arXiv preprint arXiv:1803.09093},
year = {2018}
}
备注
20 pages, 23 figures