可控生成对抗网络
机器学习
2019-04-02 v5 计算机视觉与模式识别
机器学习
摘要
最近引入的生成对抗网络 (GAN) 在生成逼真样本方面展现了许多有希望的结果。GAN 的核心任务是控制从随机分布生成的样本的特征。尽管当前的 GAN 结构（如条件 GAN）能够成功生成具有所需主要特征的样本，但它们通常无法产生带来样本间特定差异的细节特征。为了克服这一局限性，我们在此提出一种可控 GAN (ControlGAN) 结构。通过将特征分类器与判别器分离，ControlGAN 的生成器被设计为学习生成具有特定细节特征的合成样本。在多个图像数据集上的评估表明，ControlGAN 具有生成具有良好受控特征的改进样本的能力。此外，我们证明 ControlGAN 能够为训练过程中未使用的插值和外推输入标签生成中间特征和相反特征。这意味着 ControlGAN 可以显著促进生成样本的多样性。
引用
@article{arxiv.1708.00598,
title = {Controllable Generative Adversarial Network},
author = {Minhyeok Lee and Junhee Seok},
journal= {arXiv preprint arXiv:1708.00598},
year = {2019}
}
备注
A fully revised version of this paper is published in IEEE Access. Please refer to https://doi.org/10.1109/ACCESS.2019.2899108