利用GAN从结构化信号叠加中学习生成模型及其在去噪与分离中的应用
机器学习
2019-02-14 v1 机器学习
摘要
近来，生成对抗网络(GANs)已成为建模复杂高维分布的流行替代方案。现有工作大多隐式假设来自目标分布的干净样本易于获取。然而，在许多应用中该假设不成立。本文考虑当目标分布的样本由两种结构化分量叠加给出时的观测设定，并利用GAN学习各分量的结构。我们提出两种新框架：去噪-GAN与分离-GAN。去噪-GAN假设可获取第二分量的干净样本并试图学习另一分布，而分离-GAN同时学习各分量的分布。通过大量数值实验，我们证明了所提框架能从未知分布生成干净样本，并在去噪、分离和压缩感知等任务中提供有竞争力的性能。
引用
@article{arxiv.1902.04664,
title = {Learning Generative Models of Structured Signals from Their Superposition Using GANs with Application to Denoising and Demixing},
author = {Mohammadreza Soltani and Swayambhoo Jain and Abhinav Sambasivan},
journal= {arXiv preprint arXiv:1902.04664},
year = {2019}
}