面向生成对抗网络的不连通流形学习
机器学习
2019-01-14 v3 计算机视觉与模式识别
机器学习
摘要
自然图像可能位于不相交流形的并集上，而非一个全局连通的流形，这会给常见生成对抗网络（GANs）的训练带来若干困难。本文中，我们首先证明单一生成器的 GAN 无法正确建模支撑于不连通流形上的分布，并研究样本质量、模式丢失与局部收敛如何受此影响。接着，我们展示使用一组生成器如何解决该问题，为多生成器 GAN 的成功提供新的见解。最后，我们解释了在生成器集合上采用固定先验所带来的严重问题，并提出一种新方法，可在无任何监督的情况下学习先验并推断所需生成器数量。我们所提出的修改可应用于任意其他 GAN 模型之上，以启用对支撑于不连通流形上的分布的学习。我们进行了若干实验来说明 GAN 的上述缺陷、其在实践中的后果，以及我们所提修改在缓解这些问题上的有效性。
引用
@article{arxiv.1806.00880,
title = {Disconnected Manifold Learning for Generative Adversarial Networks},
author = {Mahyar Khayatkhoei and Ahmed Elgammal and Maneesh Singh},
journal= {arXiv preprint arXiv:1806.00880},
year = {2019}
}
备注
NeurIPS 2018