在生成对抗网络中判别不真实插值
机器学习
2022-03-03 v1
摘要
深度生成模型潜空间中的插值是合成生成样本的语义上有意义混合的标准工具之一。由于生成函数是非线性的，潜空间中常用的线性插值不会产生样本空间中的最短路径，导致非平滑插值。因此，最近的工作为潜空间配备了合适的度量，以强制在生成样本流形上实现最短路径。然而，这些路径往往容易偏离真实样本流形，导致平滑但不真实的生成，需要额外的方法来评估路径上的样本质量。生成对抗网络（GAN）通过其判别器网络来衡量样本质量。在本文中，我们确定判别器可以有效地用于避免最短路径上低样本质量的区域。通过重用判别器网络来修改潜空间上的度量，我们提出了一种轻量级解决方案，用于改进预训练GAN中的插值。
关键词
引用
@article{arxiv.2203.01035,
title = {Discriminating Against Unrealistic Interpolations in Generative Adversarial Networks},
author = {Henning Petzka and Ted Kronvall and Cristian Sminchisescu},
journal= {arXiv preprint arXiv:2203.01035},
year = {2022}
}
备注
The first two authors made equal contribution