MaskAAE：对抗自编码器的潜空间优化
计算机视觉与模式识别
2020-05-19 v2 机器学习
摘要
神经生成模型领域由极其成功的生成对抗网络（GAN）主导，尽管其存在训练不稳定和模式崩溃等挑战。具有正则化潜空间的自编码器（AE）为生成模型提供了替代框架，尽管其性能水平尚未达到 GAN。在本工作中，我们假设 AE 模型潜空间的维度对生成数据质量有关键影响。在假设自然通过从“真实”生成潜空间采样再经确定性函数生成数据的前提下，我们表明当 AE 模型的潜空间维度与“真实”生成潜空间维度相匹配时获得最优性能。进一步，我们提出一种称为掩码对抗自编码器（MaskAAE）的算法，其中通过对抗自编码器的潜空间维度经由掩码伪潜维度的过程被拉近至“真实”生成潜空间维度。我们通过合成与多个真实世界数据集上的实验证明，所提公式带来了生成质量的改善。
引用
@article{arxiv.1912.04564,
title = {MaskAAE: Latent space optimization for Adversarial Auto-Encoders},
author = {Arnab Kumar Mondal and Sankalan Pal Chowdhury and Aravind Jayendran and Parag Singla and Himanshu Asnani and Prathosh AP},
journal= {arXiv preprint arXiv:1912.04564},
year = {2020}
}
备注
To be presented at UAI 2020