生成对抗网络与对抗自编码器:教程与综述
机器学习
2021-11-29 v1 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
这是一篇关于生成对抗网络(GAN)、对抗自编码器及其变体的教程与综述论文。我们首先解释对抗学习与原版 GAN,然后讲解条件 GAN 与 DCGAN。介绍模式崩溃问题,并引入包括 minibatch GAN、unrolled GAN、BourGAN、mixture GAN、D2GAN 与 Wasserstein GAN 在内的多种方法来解决该问题。接着,解释 GAN 中的极大似然估计以及 f-GAN、对抗变分贝叶斯与贝叶斯 GAN。随后,涵盖 GAN 中的特征匹配、InfoGAN、GRAN、LSGAN、基于能量的 GAN、CatGAN、MMD GAN、LapGAN、渐进式 GAN、triple GAN、LAG、GMAN、AdaGAN、CoGAN、逆 GAN、BiGAN、ALI、SAGAN、少样本 GAN、SinGAN,以及 GAN 的插值与评估。然后,介绍 GAN 的一些应用,如图像到图像翻译(包括 PatchGAN、CycleGAN、DeepFaceDrawing、simulated GAN、interactive GAN)、文本到图像翻译(包括 StackGAN),以及图像特征混合(包括 FineGAN 与 MixNMatch)。最后,解释基于对抗学习的自编码器,包括对抗自编码器、PixelGAN 与隐式自编码器。
引用
@article{arxiv.2111.13282,
title = {Generative Adversarial Networks and Adversarial Autoencoders: Tutorial and Survey},
author = {Benyamin Ghojogh and Ali Ghodsi and Fakhri Karray and Mark Crowley},
journal= {arXiv preprint arXiv:2111.13282},
year = {2021}
}
备注
To appear as a part of an upcoming textbook on dimensionality reduction and manifold learning