全局与局部生成对抗网络之比较
计算机视觉与模式识别
2018-03-29 v2
摘要
本文提出一种新颖的局部生成对抗网络(localized GAN)以在真实数据流形上学习。与经典 GAN 以{\em 全局}方式参数化流形不同,局部 GAN(LGAN)使用局部坐标图来参数化数据流形上不同位置处数据点可如何变换的各异局部几何。具体而言,在每个点周围存在一个{\em 局部}生成器,可生成遵循流形上多种变换模式的数据。LGAN 的局部性使其局部生成器能适应并直接访问局部几何,而无需在全局 GAN 中反演生成器。此外,它通过施加切线间的正交先验,防止流形在局部坍缩至维数不足的切子空间。这提供了一种几何途径,通过对不同切方向上的数据变换施加独立性,至少缓解流形上的局部模式坍缩。我们还将展示 LGAN 可用于训练一个鲁棒分类器,其偏好流形上局部一致的分类决策,所得正则化子与 Laplace-Beltrami 算子密切相关。我们的实验表明,所提 LGAN 不仅能产生多样的图像变换,还能给出更优的分类性能。
引用
@article{arxiv.1711.06020,
title = {Global versus Localized Generative Adversarial Nets},
author = {Guo-Jun Qi and Liheng Zhang and Hao Hu and Marzieh Edraki and Jingdong Wang and Xian-Sheng Hua},
journal= {arXiv preprint arXiv:1711.06020},
year = {2018}
}