带解码器-编码器输出噪声的生成对抗网络
计算机视觉与模式识别
2018-07-12 v1
摘要
近年来，关于图像生成方法的研究发展迅速。2013 年提出了自编码变分贝叶斯方法（VAEs），其使用变分推断从图像数据库中学习潜空间，然后使用解码器生成图像。生成对抗网络（GANs）作为一种有前景的框架出现，其使用对抗训练来提升生成器的生成能力。然而，GANs 生成的图像通常较为模糊。随后提出了深度卷积生成对抗网络（DCGANs）以提升生成图像的质量。由于输入噪声向量是从高斯分布中随机采样的，生成器必须从整个正态分布映射到图像。这使得 DCGANs 无法反映训练数据的内在结构。本文中，我们提出了一种称为带解码器-编码器输出噪声的生成对抗网络（DE-GANs）的新型深度模型，其利用对抗训练与变分贝叶斯推断两者的优势来提升图像生成性能。DE-GANs 使用预训练的解码器-编码器架构将随机高斯噪声向量映射为信息丰富的向量，并将其传入对抗网络的生成器。由于解码器-编码器架构与生成器使用相同的图像进行训练，输出向量可携带原始图像的固有分布信息。此外，DE-GANs 的损失函数不同于 GANs 和 DCGANs。在对抗损失函数中加入了隐空间损失函数以增强模型的鲁棒性。大量实证结果表明，DE-GANs 能够加速对抗训练过程的收敛并提升生成图像的质量。
引用
@article{arxiv.1807.03923,
title = {Generative Adversarial Networks with Decoder-Encoder Output Noise},
author = {Guoqiang Zhong and Wei Gao and Yongbin Liu and Youzhao Yang},
journal= {arXiv preprint arXiv:1807.03923},
year = {2018}
}