LARGE：基于 GAN 语义的潜在回归
计算机视觉与模式识别
2021-07-26 v1 图形学
机器学习
摘要
我们提出了一种利用少样本或弱监督解决回归任务的新方法。该方法的核心是观察到：GAN 在将其潜空间中的语义信息进行编码方面极其成功，即使在完全无监督的设置下也是如此。对于现代生成框架，这种语义编码表现为平滑的线性方向，这些方向以解耦的方式影响图像属性。这些方向已被广泛应用于基于 GAN 的图像编辑中。我们证明了此类方向不仅是线性的，而且其沿方向移动的距离与在相应属性上引起的变化幅度近似呈线性关系。利用这一观察，我们的方法将预训练的 GAN 转化为回归模型，仅需两个带标签样本即可。这使得能够在难以获取高质量监督的数据集和属性上解决回归任务。此外，我们证明了即使没有显式监督，也可以利用相同的潜在距离根据给定属性的强度对图像集合进行排序。广泛的实验评估表明，我们的方法可应用于广泛的领域，利用多种潜在方向发现框架，并在少样本和低监督设置下取得了 state-of-the-art 的结果，甚至可与专为单一任务设计的方法相媲美。
引用
@article{arxiv.2107.11186,
title = {LARGE: Latent-Based Regression through GAN Semantics},
author = {Yotam Nitzan and Rinon Gal and Ofir Brenner and Daniel Cohen-Or},
journal= {arXiv preprint arXiv:2107.11186},
year = {2021}
}
备注
Code at https://github.com/YotamNitzan/LARGE