通过矩阵分解探索GAN潜空间中的语义变化
计算机视觉与模式识别
2023-05-25 v1 机器学习
摘要
由于GAN潜空间的非线性和高维性，利用GAN进行可控数据生成十分可取但充满挑战。在这项工作中，我们探索了GANSpace所学到的图像操控，GANSpace是一种基于PCA的先进方法。通过定量与定性评估，我们表明：(a) GANSpace产生广泛的高质量图像操控，但它们可能高度纠缠，限制了潜在用例；(b) 用ICA替换PCA可改善操控的质量与解纠缠性；(c) 生成图像的质量可能对GAN的规模敏感，但无论其复杂度如何，在其潜空间中均可观察到基础控制方向。
引用
@article{arxiv.2305.14551,
title = {Exploring Semantic Variations in GAN Latent Spaces via Matrix Factorization},
author = {Andrey Palaev and Rustam A. Lukmanov and Adil Khan},
journal= {arXiv preprint arXiv:2305.14551},
year = {2023}
}
备注
Accepted at ICLR 2023 Tiny Papers