InvGAN：可逆生成对抗网络
计算机视觉与模式识别
2021-12-13 v2 机器学习
机器学习
摘要
生成照片级真实感图像、语义编辑和表示学习是高分辨率生成模型的众多潜在应用之一。生成对抗网络（GAN）的最新进展已使其成为此类任务的绝佳选择。然而，由于它们不提供推理模型，因此无法使用 GAN 潜空间对真实图像进行图像编辑或执行分类等下游任务。尽管已有许多努力来训练推理模型或设计迭代方法以反转预训练的生成器，但先前的方法都特定于数据集（例如人脸图像）和架构（例如 StyleGAN）。这些方法很难扩展到新的数据集或架构。我们提出了一个对架构和数据集均不敏感的通用框架。我们的核心见解是，通过同时训练推理模型和生成模型，我们允许它们相互适应并收敛到更高质量的模型。我们的 InvGAN，即可逆生成对抗网络（Invertible GAN）的缩写，成功地将真实图像嵌入到高质量生成模型的潜空间中。这使我们能够执行图像修复、合并、插值和在线数据增强。我们通过广泛的定性和定量实验证明了这一点。
引用
@article{arxiv.2112.04598,
title = {InvGAN: Invertible GANs},
author = {Partha Ghosh and Dominik Zietlow and Michael J. Black and Larry S. Davis and Xiaochen Hu},
journal= {arXiv preprint arXiv:2112.04598},
year = {2021}
}