基于 Wasserstein 生成对抗网络的流形值图像生成
计算机视觉与模式识别
2019-01-04 v2 机器学习
摘要
自然图像上的生成建模是最基础的机器学习问题之一。然而，包括 Wasserstein 生成对抗网络（WGANs）在内的现代生成模型很少在真实应用中频繁遇到的流形值图像上被研究。为弥补这一空白，本文首先形式化了流形值图像生成问题，并探讨三个典型实例：色调-饱和度-明度（HSV）彩色图像生成、色度-亮度（CB）彩色图像生成以及扩散张量（DT）图像生成。针对所提出的生成建模问题，我们随后引入最优传输定理以推导完备流形上数据分布的新 Wasserstein 距离，使我们能在 WGAN 框架下获得易处理的优化目标。此外，我们推荐三个基准数据集：CIFAR-10 HSV/CB 彩色图像、ImageNet HSV/CB 彩色图像、UCL DT 图像数据集。在三个数据集上，我们通过实验证明所提出的流形感知 WGAN 模型比其竞争模型能生成更合理的流形值图像。
引用
@article{arxiv.1712.01551,
title = {Manifold-valued Image Generation with Wasserstein Generative Adversarial Nets},
author = {Zhiwu Huang and Jiqing Wu and Luc Van Gool},
journal= {arXiv preprint arXiv:1712.01551},
year = {2019}
}
备注
Accepted by AAAI 2019