IntroVAC：用于学习可解释潜子空间的内省变分分类器
机器学习
2020-09-15 v2 计算机视觉与模式识别
机器学习
摘要
学习复杂数据的有用表示多年来一直是广泛研究的主题。随着深度神经网络的普及，变分自编码器获得了大量关注，因为它们提供了基于编码器/解码器架构的数据分布的显式模型，能够生成图像并将其编码到低维子空间中。然而，潜空间不易解释，且生成能力表现出一些局限，因为图像通常看起来模糊且缺乏细节。在本文中，我们提出内省变分分类器（IntroVAC），一种通过利用来自额外标签的信息并借助对抗训练策略提供改进图像质量来学习可解释潜子空间的模型。我们展示 IntroVAC 能够在潜空间中学习有意义的方向，从而实现图像属性的细粒度操控。我们在 CelebA 数据集上验证了我们的方法。
引用
@article{arxiv.2008.00760,
title = {IntroVAC: Introspective Variational Classifiers for Learning Interpretable Latent Subspaces},
author = {Marco Maggipinto and Matteo Terzi and Gian Antonio Susto},
journal= {arXiv preprint arXiv:2008.00760},
year = {2020}
}