LatentGAN 自编码器：学习解耦的潜变量分布
计算机视觉与模式识别
2025-01-22 v2 机器学习
摘要
在自编码器中，编码器通常近似数据集上的潜变量分布，解码器利用该学到的潜变量分布生成样本。由于使用随机潜向量生成会导致平凡输出，对潜向量的控制十分有限。本工作尝试通过使用 LatentGAN 生成器直接学习近似自编码器的潜变量分布来解决此问题，并在 MNIST、3D Chair 与 CelebA 数据集上展示有意义的结果；此外采用了一项信息论约束，成功学习到对自编码器潜变量分布的控制。据此，我们的模型在 MNIST 无监督图像分类上亦取得 2.38 的错误率，优于 InfoGAN 与 AAE。
引用
@article{arxiv.2204.02010,
title = {LatentGAN Autoencoder: Learning Disentangled Latent Distribution},
author = {Sanket Kalwar and Animikh Aich and Tanay Dixit and Adit Chhabra},
journal= {arXiv preprint arXiv:2204.02010},
year = {2025}
}