GAN的双空间训练：一种高效且富有创造性的生成模型之路

Beka Modrekiladze

GAN的双空间训练：一种高效且富有创造性的生成模型之路

机器学习 2024-10-28 v1 人工智能

作者: Beka Modrekiladze

摘要

生成对抗网络（GANs）在生成建模方面取得了显著的进展；然而，其训练往往资源密集，需耗费大量计算时间和数十万个 epoch。本文提出一种新颖的优化方法，通过在初始数据的数据双空间中进行可逆映射（具体为自编码器）来转换训练过程。通过在双空间中的编码表示上训练GAN，这些表示包含数据中最显著的特征，从而使生成过程大幅提高效率，并可能揭示人类难以察觉的潜在模式。该方法不仅增强了训练速度和资源使用，还探讨了模型是否能够生成超越人类智慧的洞见，而这些洞见受限于人类生成的数据。

关键词

生成对抗网络双空间可逆映射自编码器高效训练

引用

@article{arxiv.2410.19009,
  title  = {Dual Space Training for GANs: A Pathway to Efficient and Creative Generative Models},
  author = {Beka Modrekiladze},
  journal= {arXiv preprint arXiv:2410.19009},
  year   = {2024}
}

备注

5 pages, 3 figures

GAN的双空间训练：一种高效且富有创造性的生成模型之路

摘要

关键词

引用

备注

相关论文