保流形GANs
计算机视觉与模式识别
2021-09-21 v1 人工智能
机器学习
摘要
生成对抗网络（GANs）已被广泛采用到各个领域。然而，现有GANs通常无法保持数据空间的流形，这主要归因于判别器对真实/生成数据的简单表示。为应对此类开放性挑战，本文提出保流形GANs（MaF-GANs），将Wasserstein GANs推广到高维形式。具体而言，为改进数据的表示，MaF-GANs中的判别器被设计用于将数据映射到一个高维流形。此外，为稳定MaF-GANs的训练，提出了一种对任意K-Lipschitz连续性具有精确且普适解的操作，称为拓扑一致性（Topological Consistency）。所提方法的有效性通过理论分析与实证结果均得到验证。在以DCGAN为骨干网络、在CelebA（256*256）上采用时，所提方法取得了12.43 FID，大幅优于如Realness GAN（23.51 FID）等最先进（state-of-the-art）模型。代码将公开可用。
引用
@article{arxiv.2109.08955,
title = {Manifold-preserved GANs},
author = {Haozhe Liu and Hanbang Liang and Xianxu Hou and Haoqian Wu and Feng Liu and Linlin Shen},
journal= {arXiv preprint arXiv:2109.08955},
year = {2021}
}