IAN：结合生成对抗网络进行想象力人脸生成
计算机视觉与模式识别
2019-04-18 v1 机器学习
摘要
生成对抗网络（GAN）因其建模图像分布的能力而获得了广泛关注。它们学习模拟训练集，从而能够从该分布中采样，并将所学知识应用于有用的任务。已有多种方法被提出用于增强 GAN，包括利用某些特征匹配来正则化损失。我们试图将 GAN 推向训练数据之外，探索图像流形中未见的领域。我们首先提出了一种基于 K 近邻（K-NN）选择性特征匹配的 GAN 新正则化方法，在 GAN 于基础集 X 上进行对抗训练期间，将其与高层特征空间中的目标集 Y 进行匹配，我们将这一新模型称为 K-GAN。我们证明了最小化该项等价于 GAN 分布与集合 Y 分布之间的交叉熵最小化。随后，我们引入了一个 GAN 的级联框架，通过将采样 GAN 与转换 GAN 相级联，尝试解决结合基础集 X 和目标集 Y 以想象出一个新分布的任务，我们将此类 GAN 的级联称为想象力对抗网络（Imaginative Adversarial Network, IAN）。我们对不同 IAN 设置在所处理任务上进行了客观与主观评估，并展示了这些 IAN 的一些有用应用，如流形遍历以及用于电影或电子游戏中角色设计的创意人脸生成。
引用
@article{arxiv.1904.07916,
title = {IAN: Combining Generative Adversarial Networks for Imaginative Face Generation},
author = {Abdullah Hamdi and Bernard Ghanem},
journal= {arXiv preprint arXiv:1904.07916},
year = {2019}
}
备注
preprint