学习用生成对抗网络生成椅子
计算机视觉与模式识别
2017-05-31 v1
摘要
生成对抗网络（GANs）近来因其能通过生成对象强化预测模型质量、并通过监督反馈强化生成模型质量的能力而大受欢迎。GANs 能够合成具有高度真实感的图像。然而，这类模型的学习过程是一个非常复杂的优化问题，并且已发现此类模型存在某些局限性。这影响了在设计架构时对特定层和非线性函数的选择。特别是，它不允许训练带有全连接隐藏层的卷积 GAN 模型。在我们的工作中，我们提出了对先前描述的一组规则的修改，以及设计架构的新方法，这将使我们能够训练更强大的 GAN 模型。我们在合成具有按类别和视角插值能力的 3D 对象投影问题上展示了我们方法的有效性。
引用
@article{arxiv.1705.10413,
title = {Learning to Generate Chairs with Generative Adversarial Nets},
author = {Evgeny Zamyatin and Andrey Filchenkov},
journal= {arXiv preprint arXiv:1705.10413},
year = {2017}
}
备注
Submitted to NIPS 2017