IVE-GAN：不变编码生成对抗网络
机器学习
2017-11-27 v1 机器学习
摘要
生成对抗网络(GANs)是生成任务的有力框架。然而，它们难以训练且往往遗漏真实数据生成过程的某些模式。尽管GANs能在潜空间中学习所覆盖数据模式的丰富表示，该框架缺少从数据到该潜空间的逆映射。我们提出不变编码生成对抗网络(IVE-GANs)，一种新颖的GAN框架，其通过利用数据中对特定变换不变的特征，为数据中各个样本引入此种映射。由于模型将单个样本映射至潜空间，它自然促使生成器覆盖所有模式。我们在若干数据集（包括常见基准图像生成任务）上展示了我们的方法在生成性能与学习丰富表示方面的有效性。
引用
@article{arxiv.1711.08646,
title = {IVE-GAN: Invariant Encoding Generative Adversarial Networks},
author = {Robin Winter and Djork-Arné Clevert},
journal= {arXiv preprint arXiv:1711.08646},
year = {2017}
}
备注
under review at ICLR2018