DNA-GAN：从多属性图像中学习解耦表示
计算机视觉与模式识别
2018-03-29 v2
摘要
解耦变异因素已成为表示学习中一个极具挑战性的问题。现有算法存在诸多局限，如不可预测的解耦因素、由编码生成的图像质量差、缺乏身份信息等。本文提出一种称为DNA-GAN的监督学习模型，试图解耦图像的不同因素或属性。图像的潜在表示类似于DNA，其中每一个独立片段（编码的一部分）代表一个独立的变异因素。通过消除隐性片段并将一个潜在表示的某一片段与另一个的相应片段进行交换，我们得到两种不同的表示，它们可被解码为两类图像，其中对应属性的存在与否发生改变。为了获得真实的图像以及解耦的表示，我们进一步引入判别器进行对抗训练。在Multi-PIE和CelebA数据集上的实验最终表明，我们所提方法对因素解耦是有效的，甚至克服了现有方法的某些局限。
引用
@article{arxiv.1711.05415,
title = {DNA-GAN: Learning Disentangled Representations from Multi-Attribute Images},
author = {Taihong Xiao and Jiapeng Hong and Jinwen Ma},
journal= {arXiv preprint arXiv:1711.05415},
year = {2018}
}
备注
ICLR 2018 workshop, github: https://github.com/Prinsphield/DNA-GAN