启发式对抗图像生成

图像生成任务开始受到艺术家和设计师的关注，以激发他们的新创作灵感。然而，由于缺乏现有工具，利用生成对抗网络（Generative Adversarial Networks）等深度生成模型的结果可能漫长而繁琐。在这项工作中，我们提出一种简单策略，利用从用户选择的数据集中学习到的新生成结果来启发创作者，同时提供对生成结果的一定控制。我们设计了一种简单的优化方法，以寻找与任何输入启发图像最接近的生成结果所对应的最优潜在参数。具体来说，我们允许根据用户选择的启发图像进行生成，通过执行若干优化步骤从模型的潜在空间中恢复最优参数。我们测试了多种探索方法，从经典的梯度下降到无梯度优化器。许多无梯度优化器仅需比较（比另一图像更好/更差），因此甚至可以在没有数值标准、没有启发图像，仅凭人类偏好的情况下使用。因此，通过迭代个人偏好，我们可以构建稳健的面部合成或时尚生成算法。生成的高分辨率设计结果通过渐进式增长的GAN获得。我们在人脸、时尚图像和纹理四个数据集上的结果表明，在大多数情况下都能有效检索到令人满意的图像。