在深度生成模型中编码不变性
机器学习
2019-06-05 v1 图像与视频处理
机器学习
摘要
生成对抗网络（GANs）的可靠训练通常需要大规模数据集以建模复杂分布。然而，在一些应用中，训练样本服从先验已知的不变性；例如，在复杂物理模拟中，训练数据服从编码为明确数学方程的普适定律。本文中，我们提出一种新的生成建模方法 InvNet，可高效建模具有已知不变性的数据空间。我们设计了一种对抗训练算法将这些不变性编码进数据分布。我们在三种实验设置中验证我们的框架：生成带固定母题的图像；求解非线性偏微分方程（PDEs）；以及重建具有期望统计特性的两相微结构。我们以若干理论结果补充了实验。
引用
@article{arxiv.1906.01626,
title = {Encoding Invariances in Deep Generative Models},
author = {Viraj Shah and Ameya Joshi and Sambuddha Ghosal and Balaji Pokuri and Soumik Sarkar and Baskar Ganapathysubramanian and Chinmay Hegde},
journal= {arXiv preprint arXiv:1906.01626},
year = {2019}
}