通过强化学习控制 GAN 的潜空间：以基于任务的图像到图像翻译为例
机器学习
2023-07-27 v1 人工智能
计算机视觉与模式识别
摘要
生成对抗网络（GAN）已成为基于训练数据集生成逼真输出的强大 AI 工具。然而，对 GAN 生成过程施加控制仍是重大障碍。本文提出一种新方法，通过将强化学习（RL）智能体与潜空间 GAN（l-GAN）相集成来解决该问题，从而促进所需输出的生成。具体而言，我们开发了一个具有精心设计的奖励策略的 actor-critic RL 智能体，使其能够在 l-GAN 的潜空间中熟练导航并基于指定任务生成输出。为证实方法有效性，我们使用 MNIST 数据集开展了一系列实验，包括以算术加法作为示例任务。实验结果验证了我们的方法。我们将 RL 智能体与 GAN 模型的开创性集成代表了一项新颖进展，对未来增强生成网络极具潜力。
引用
@article{arxiv.2307.13978,
title = {Controlling the Latent Space of GANs through Reinforcement Learning: A Case Study on Task-based Image-to-Image Translation},
author = {Mahyar Abbasian and Taha Rajabzadeh and Ahmadreza Moradipari and Seyed Amir Hossein Aqajari and Hongsheng Lu and Amir Rahmani},
journal= {arXiv preprint arXiv:2307.13978},
year = {2023}
}
备注
7 pages, 7 figures, 2 tables, conference paper