EigenGAN：面向 GAN 的逐层本征学习
计算机视觉与模式识别
2021-08-10 v2 机器学习
摘要
近期关于生成对抗网络（GAN）的研究表明，生成式 CNN 的不同层承载着合成图像的不同语义。然而，很少有 GAN 模型具有显式的维度来控制特定层中表示的语义属性。本文提出 EigenGAN，能够无监督地从不同生成器层中挖掘可解释且可控的维度。具体而言，EigenGAN 将带有正交基的一个线性子空间嵌入到每个生成器层中。通过生成对抗训练学习目标分布，这些逐层子空间自动在每个层发现一组对应于一组语义属性或可解释变化的“本征维度”。通过遍历某个特定本征维度的系数，生成器可以生成在对应特定语义属性上连续变化的样本。以人脸为例，EigenGAN 可以在深层子空间中发现姿态和性别等高层概念的可控维度，以及在浅层子空间中发现色调和颜色等低层概念的可控维度。此外，在线性情形下，我们从理论上证明我们的算法如同 PCA 一样导出主成分。代码见 https://github.com/LynnHo/EigenGAN-Tensorflow。
引用
@article{arxiv.2104.12476,
title = {EigenGAN: Layer-Wise Eigen-Learning for GANs},
author = {Zhenliang He and Meina Kan and Shiguang Shan},
journal= {arXiv preprint arXiv:2104.12476},
year = {2021}
}
备注
ICCV 2021. Code: https://github.com/LynnHo/EigenGAN-Tensorflow