探索与利用枢纽先验实现高质量 GAN 潜空间采样
计算机视觉与模式识别
2022-06-14 v1 机器学习
摘要
尽管对生成对抗网络（GAN）的研究广泛，如何从其潜空间可靠地采样高质量图像仍是一个未被充分探索的课题。本文中，我们通过探索与利用 GAN 潜分布的枢纽（hubness）先验，提出了一种新颖的 GAN 潜空间采样方法。我们的核心洞见是：GAN 潜空间的高维性将不可避免地导致枢纽潜变量（hub latents）的出现，它们通常比潜空间中其他潜变量具有大得多的采样密度。因此，这些枢纽潜变量被训练得更充分，从而更多贡献于高质量图像的合成。与后验的“挑樱桃（cherry-picking）”不同，我们的方法高效之处在于它是一种先验方法，在图像合成前即识别出高质量潜变量。此外，我们表明著名但纯经验性的截断技巧（truncation trick）是枢纽潜变量中心聚集效应的朴素近似，这不仅揭示了截断技巧的原理，也表明了本方法的优越性与基础性。大量实验结果证明了所提方法的有效性。
引用
@article{arxiv.2206.06014,
title = {Exploring and Exploiting Hubness Priors for High-Quality GAN Latent Sampling},
author = {Yuanbang Liang and Jing Wu and Yu-Kun Lai and Yipeng Qin},
journal= {arXiv preprint arXiv:2206.06014},
year = {2022}
}
备注
Accepted at ICML 2022. Our code is available at: https://github.com/Byronliang8/HubnessGANSampling