强制域内 GAN 反演
计算机视觉与模式识别
2021-07-15 v2 机器学习
图像与视频处理
摘要
经验性研究表明，生成对抗网络（GANs）在训练生成图像时，其潜空间中会涌现出各种语义。要进行真实图像编辑，需要从其到潜空间的准确映射以利用这些学到的语义，这重要但困难。近来提出一种域内 GAN 反演方法，通过迫使由反演码得到的重建图像位于真实图像空间内，从而将反演码约束在潜空间中。我们通过实验发现，域内 GAN 的反演码会显著偏离潜空间。为解决此问题，我们基于域内 GAN 提出一种强制域内 GAN，利用判别器将反演码强制限制在潜空间内。该强制域内 GAN 也可通过轻微修改的循环 GAN（cycle-GAN）来解释。大量实验表明，我们的强制域内 GAN 不仅在像素级重建目标图像，而且能很好地将反演码与潜空间对齐以进行语义编辑。
引用
@article{arxiv.2107.06050,
title = {Force-in-domain GAN inversion},
author = {Guangjie Leng and Yekun Zhu and Zhi-Qin John Xu},
journal= {arXiv preprint arXiv:2107.06050},
year = {2021}
}