使用 ($\beta$-)VAE 与 GAN 的解耦表示学习
计算机视觉与模式识别
2022-08-10 v1 机器学习
图像与视频处理
摘要
给定一个包含具有形状、大小、旋转和 x-y 位置等不同特征的不同物体的图像数据集，以及一个变分自编码器（VAE）；在 VAE 的隐藏空间向量中创建这些特征的解耦编码是本文关注的任务。dSprite 数据集为本研究所需实验提供了期望的特征。在训练结合生成对抗网络（GAN）的 VAE 后，对隐藏向量的每个维度进行扰动以探索各维度中的解耦情况。注意，GAN 用于改善输出图像重建的质量。
引用
@article{arxiv.2208.04549,
title = {Disentangled Representation Learning Using ($\beta$-)VAE and GAN},
author = {Mohammad Haghir Ebrahimabadi},
journal= {arXiv preprint arXiv:2208.04549},
year = {2022}
}