利用监督学习解释生成对抗网络的潜空间
机器学习
2021-02-25 v1 计算机视觉与模式识别
摘要
随着生成对抗网络（GANs）的快速发展，近年来因广泛应用而对理解和操控 GAN 潜空间的洞察探索受到越来越多关注。尽管该任务多数研究聚焦于无监督学习方法，这带来了训练困难与结果局限，我们的工作另辟蹊径，编码人类先验知识以发掘 GAN 隐藏空间的更多信息。借助这种监督方式，我们取得了令人鼓舞的结果，并由生成图像的精确操控所证明。尽管我们的模型更适用于特定任务问题，我们希望其在实现简便性、精确性、鲁棒性以及相较其他方法允许更丰富属性集进行图像操控方面的优势，能提升许多当前应用的效果。
引用
@article{arxiv.2102.12139,
title = {Interpreting the Latent Space of Generative Adversarial Networks using Supervised Learning},
author = {Toan Pham Van and Tam Minh Nguyen and Ngoc N. Tran and Hoai Viet Nguyen and Linh Bao Doan and Huy Quang Dao and Thanh Ta Minh},
journal= {arXiv preprint arXiv:2102.12139},
year = {2021}
}
备注
Published in 2020 International Conference on Advanced Computing and Applications (ACOMP)