IGAN：推断与生成对抗网络

我提出了 IGAN（Inferent Generative Adversarial Networks，推断生成对抗网络），这是一种神经网络架构，可在复杂高维数据分布上同时学习生成模型和推断模型，即在数据样本与更简单的低维潜空间之间建立双向映射。它通过用数据-潜空间编码后验与先验之间的纠缠博弈重写图像和潜空间中的对抗策略，将推断扩展到传统 GAN 框架中。它为经典 GAN 方案带来了可度量的稳定性和收敛性，同时保持其生成质量，并且简单且资源占用少，以便在实验室 PC 上运行。IGAN 促使编码后的潜变量覆盖整个先验空间：这使得能够以无监督方式利用扩大且自组织的潜空间。对先前发表文章的分析为所提算法奠定了理论基础。在包括 SAR 和光学影像在内的常见图像数据集上，给出了自监督或多模态数据翻译等潜在应用的定性演示。