深度交互进化
神经与进化计算
2018-01-26 v1
摘要
本文描述了一种将生成对抗网络（GANs）与交互式进化计算（IEC）相结合的方法。虽然 GAN 可被训练以生成逼真图像，但通常从其学习到的分布中随机采样，对生成结果的控制有限。另一方面，交互式进化已在创建图像、音乐和 3D 物体等多种产物中展现出潜力，但传统上依赖于针对目标领域手工设计的可进化表示。本文的核心见解是：在特定目标域上训练的 GAN 可作为紧凑且鲁棒的基因型到表型映射（即大多数生成的表型确实类似于有效的领域产物）。一旦训练好此类 GAN，输入到 GAN 生成器网络的潜向量便可置于进化控制之下，从而实现可控且高质量的图像生成。在本文中，我们通过一项用户研究证明了这一新颖方法的优势，参与者能够进化出与特定目标图像高度相似的图像。
引用
@article{arxiv.1801.08230,
title = {Deep Interactive Evolution},
author = {Philip Bontrager and Wending Lin and Julian Togelius and Sebastian Risi},
journal= {arXiv preprint arXiv:1801.08230},
year = {2018}
}
备注
16 pages, 5 figures, Published at EvoMUSART EvoStar 2018