改进 SCGAN 的相似性约束并学习更优解耦表示
计算机视觉与模式识别
2023-12-11 v2 机器学习
图像与视频处理
摘要
SCGAN 在生成对抗网络上加成了生成图像与条件之间的相似性约束作为正则化项。相似性约束充当导师，指导生成器网络基于条件理解表示的差异。我们在更深层次上理解了 SCGAN 的工作机制。这一理解使我们认识到相似性约束的作用类似于对比损失函数。我们认为，具有高理解与智能的模型应像人类一样基于图像的结构与高层特征来度量图像间相似性。为使模型改进，我们对 SCGAN 做了两处主要改动：使用 SSIM 度量图像间相似性，并将对比损失原理应用于相似性约束。改进模型在 FID 与 FactorVAE 指标上表现更优。改进模型相较其他模型也具有更好的泛化能力。关键词 生成对抗网络，无监督学习，解耦表示学习，对比解耦，SSIM
引用
@article{arxiv.2310.12262,
title = {Improving SCGAN's Similarity Constraint and Learning a Better Disentangled Representation},
author = {Iman Yazdanpanah and Ali Eslamian},
journal= {arXiv preprint arXiv:2310.12262},
year = {2023}
}