反转生成对抗网络的生成器
计算机视觉与模式识别
2016-11-18 v1 机器学习
摘要
生成对抗网络（GANs）通过将从隐空间抽取的样本传递通过一个生成网络，来学习从高维分布合成新样本。当高维分布描述特定数据集的图像时，网络应学会为隐空间中彼此接近的隐变量生成视觉上相似的图像样本。对于图像检索和图像分类等任务，利用隐空间的排列方式，将图像投影到其中，并将其用作判别任务的表示，可能会很有用。GANs通常由多层非线性计算组成，这使得它们非常难以反转。本文介绍了在计算图可用的前提下，使用任何预训练GAN将图像样本投影到隐空间的技术。我们在MNIST数字和Omniglot手写字符上评估了这些技术。在MNIST数字的情况下，我们表明投影到隐空间保留了关于数字风格和身份的信息。在Omniglot字符的情况下，我们表明即使在训练期间未见过的字母表中的字符，也可以很好地投影到隐空间中；这表明该方法可能在单样本学习中具有应用。
引用
@article{arxiv.1611.05644,
title = {Inverting The Generator Of A Generative Adversarial Network},
author = {Antonia Creswell and Anil Anthony Bharath},
journal= {arXiv preprint arXiv:1611.05644},
year = {2016}
}
备注
Accepted at NIPS 2016 Workshop on Adversarial Training