ExSinGAN：从单幅图像学习可解释生成模型
计算机视觉与模式识别
2022-01-07 v2 机器学习
摘要
从单样本生成图像作为图像合成的新兴分支已引起广泛关注。本文将此问题表述为从单幅图像的条件分布中采样，并提出一种分层框架，通过依次学习关于结构、语义与纹理的分布来简化复杂条件分布的学习，使学习与生成过程可理解。在此基础上，我们设计由三个级联 GAN 组成的 ExSinGAN，用于从给定图像学习可解释生成模型，其中级联 GAN 依次建模关于结构、语义与纹理的分布。ExSinGAN 不仅如先前工作那样从给定图像的内部块学习，还从通过 GAN 反演技术获得的外部先验学习。得益于内部与外部信息的恰当结合，与先前工作相比，ExSinGAN 在图像操控任务上具有更强大的生成能力与有竞争力的泛化能力。
引用
@article{arxiv.2105.07350,
title = {ExSinGAN: Learning an Explainable Generative Model from a Single Image},
author = {ZiCheng Zhang and CongYing Han and TianDe Guo},
journal= {arXiv preprint arXiv:2105.07350},
year = {2022}
}