通过潜在空间探索与对抗损失实现跨域图像生成
机器学习
2018-05-28 v1 计算机视觉与模式识别
机器学习
摘要
条件域生成是交互式控制深度生成模型样本生成过程的一种好方法。然而，一旦构建了条件生成模型，使其适应新的条件控制通常代价高昂，尤其是当网络结构相对较深时。我们提出了一种在无条件变分自编码器 (VAE) 的潜在空间之间进行条件潜在域迁移的框架。借助该框架，我们可以允许无条件训练的 VAE 在其所在域内生成图像，其条件由另一域的潜在表示提供。该框架不假设两个域之间存在共性。我们在广泛使用的图像数据集上验证了模型的有效性和鲁棒性。
引用
@article{arxiv.1805.10130,
title = {Cross Domain Image Generation through Latent Space Exploration with Adversarial Loss},
author = {Yingjing Lu},
journal= {arXiv preprint arXiv:1805.10130},
year = {2018}
}