基于最优传输映射的生成建模
机器学习
2022-03-08 v2
摘要
随着 Wasserstein GAN 的发现，最优传输（OT）已成为大规模生成建模任务的强大工具。在这些任务中，OT 代价通常用作训练 GAN 的损失。与该方法不同，我们证明 OT 映射本身可用作生成模型，提供可媲美的性能。先前类似方法仅因 OT 映射在原始高维环境空间中性能较差而将其仅视作潜空间中的生成模型。相反，我们直接将 OT 映射应用于环境空间，例如高维图像空间。首先，我们推导了一种极小极大优化算法以高效计算二次代价（Wasserstein-2 距离）下的 OT 映射。接着，我们将该方法推广到输入与输出分布位于不同维数空间的情形，并推导出所计算 OT 映射的误差界。我们在图像生成与无配对图像修复任务上评估了该算法。特别地，我们考虑去噪、上色和修复，其中修复映射的最优性是期望属性，因为输出（修复后）图像应接近输入（退化）图像。
引用
@article{arxiv.2110.02999,
title = {Generative Modeling with Optimal Transport Maps},
author = {Litu Rout and Alexander Korotin and Evgeny Burnaev},
journal= {arXiv preprint arXiv:2110.02999},
year = {2022}
}
备注
ICLR 2022