用于可控图像合成的条件对抗生成流
计算机视觉与模式识别
2019-04-04 v1
摘要
基于流的生成模型因其可逆流程与精确对数似然目标在图像合成中展现出巨大潜力，但其在条件图像合成方面能力较弱，尤其对于多标签或未知条件。这是因为图像条件的潜在分布难以从其潜变量 精确度量。本文基于建模图像与其条件的联合概率密度，提出了一种名为条件对抗生成流（CAGlow）的新型基于流的生成模型。我们不再从潜空间解耦属性，而是开辟新径，学习一个编码器以对抗方式估计从条件空间到潜空间的映射。给定特定条件 ，CAGlow 可将其编码为采样的 ，从而在诸如将人物身份与多属性结合等复杂情形下实现鲁棒的条件图像合成。所提 CAGlow 可按监督与无监督两种方式实现，因而可利用类别、属性甚至某些未知属性等条件信息合成图像。大量实验表明，CAGlow 保证了不同条件的独立性，并大幅优于常规 Glow。
引用
@article{arxiv.1904.01782,
title = {Conditional Adversarial Generative Flow for Controllable Image Synthesis},
author = {Rui Liu and Yu Liu and Xinyu Gong and Xiaogang Wang and Hongsheng Li},
journal= {arXiv preprint arXiv:1904.01782},
year = {2019}
}
备注
Accepted by CVPR 2019