深度特征一致的变分自编码器
计算机视觉与模式识别
2024-03-21 v2
摘要
我们提出了一种构建变分自编码器（VAE）的新方法。我们不使用逐像素损失，而是在 VAE 的输入与输出之间施加深度特征一致性，以确保 VAE 的输出保留输入的空间相关性特征，从而使输出具有更自然的视觉外观和更好的感知质量。基于风格迁移等近期深度学习成果，我们采用预训练的深度卷积神经网络（CNN），并利用其隐藏特征为 VAE 训练定义特征感知损失。在 CelebA 人脸数据集上的评估表明，我们的模型比文献中的其他方法产生了更好的结果。我们还表明，我们的方法能够生成捕获面部表情语义信息的潜在向量，并可用于在面部属性预测中取得 SOTA 性能。
引用
@article{arxiv.1610.00291,
title = {Deep Feature Consistent Variational Autoencoder},
author = {Xianxu Hou and Linlin Shen and Ke Sun and Guoping Qiu},
journal= {arXiv preprint arXiv:1610.00291},
year = {2024}
}
备注
WACV