基于潜在可逆自编码器的GAN解耦推断
机器学习
2022-03-02 v4 机器学习
摘要
生成对抗网络（GANs）在机器学习中扮演着日益重要的角色。然而，有一个根本问题阻碍了其实际应用：缺乏对真实世界样本进行编码的能力。解决该问题的常规方法是通过变分自编码器（VAE）为GAN学习一个编码器。本文中，我们指出VAE/GAN框架中潜在空间的纠缠是编码器学习的主要挑战。为解决纠缠问题并实现GAN中的推断，我们提出了一种名为潜在可逆自编码器（LIA）的新算法。LIA的框架是将一个可逆网络及其逆映射对称地嵌入VAE的潜在空间中。LIA的解码器首先作为标准GAN与可逆网络一起训练，然后通过从LIA中分离出可逆网络，从解耦自编码器中学习部分编码器，从而避免了由随机潜在空间引起的纠缠问题。在FFHQ人脸数据集和三个LSUN数据集上的实验验证了LIA/GAN的有效性。
引用
@article{arxiv.1906.08090,
title = {Disentangled Inference for GANs with Latently Invertible Autoencoder},
author = {Jiapeng Zhu and Deli Zhao and Bo Zhang and Bolei Zhou},
journal= {arXiv preprint arXiv:1906.08090},
year = {2022}
}