编码器驱动的生成对抗网络
机器学习
2019-06-04 v1 机器学习
摘要
我们提出一种编码器驱动的生成对抗网络（EncGAN），其能够同时学习数据的多流形结构与抽象特征。与传统的基于解码器的 GAN 不同，EncGAN 使用编码器对流形结构建模并反转编码器以生成数据。这一独特方案使所提模型能够将离散特征排除在平滑结构建模之外，并在不受断开连接阻碍的情况下学习多流形数据。此外，由于 EncGAN 需要一个单一的潜空间来承载所有流形的信息，它在该潜空间中构建了流形间共享的抽象特征。为高效计算，我们使用一个简单的正则化项来表述 EncGAN，并从数学上证明其有效性。我们还通过实验证明，EncGAN 成功学习了 MNIST、3D-chair 与 UT-Zap50k 数据集的多流形结构与抽象特征。我们的分析表明，所学得的抽象特征是可解耦的，并且即使源数据偏离已训练分布，也能实现良好的风格迁移。
引用
@article{arxiv.1906.00541,
title = {Encoder-Powered Generative Adversarial Networks},
author = {Jiseob Kim and Seungjae Jung and Hyundo Lee and Byoung-Tak Zhang},
journal= {arXiv preprint arXiv:1906.00541},
year = {2019}
}