流形学习有益于 GAN
计算机视觉与模式识别
2022-04-04 v2 机器学习
摘要
在本文中，我们通过将流形学习步骤引入判别器来改进生成对抗网络（GAN）。我们考虑了局部约束的线性与基于子空间的流形，以及局部约束的非线性流形。在我们的设计中，流形学习与编码步骤与判别器的各层交织在一起，目的是将中间特征表示吸引到流形上。我们自适应地平衡特征表示与其流形视图之间的差异，这是在流形上去噪与精炼流形之间的一种权衡。我们发现，由于其非均匀密度与平滑性，局部约束的非线性流形优于线性流形。我们还大幅优于最先进的基线。
引用
@article{arxiv.2112.12618,
title = {Manifold Learning Benefits GANs},
author = {Yao Ni and Piotr Koniusz and Richard Hartley and Richard Nock},
journal= {arXiv preprint arXiv:2112.12618},
year = {2022}
}
备注
CVPR 2022, 32 pages full version