MimicGAN：基于损坏模仿的图像流形鲁棒投影

在过去几年中，生成对抗网络（GANs）极大地提升了我们表示和参数化高维非线性图像流形的能力。因此，它们被广泛用于各种应用，从图像补全等具有挑战性的逆问题，到异常检测与对抗防御等问题。这些应用中的一个反复出现的主题，是将图像观测投影到由生成器推断出的流形上的概念。在此背景下，投影梯度下降（PGD）一直是最流行的方法，其本质上优化一个潜向量以最小化生成图像与给定观测之间的差异。然而，PGD是一种脆弱的优化技术，当观测被损坏或即使受到少量扰动时，也无法识别出正确的投影（或潜向量）。此类损坏在现实世界中十分常见，例如野外的图像伴随着未知的裁剪、旋转、像素缺失或其他类型的非线性分布偏移，这些会破坏当前的编码方法，导致下游应用无法使用。为此，我们提出损坏模仿——一种全新的鲁棒投影技术，其在测试时利用代理网络直接近似未知损坏，无需额外监督或数据增强。所提方法在多种损坏下比PGD及其他竞争方法显著更鲁棒，从而实现了GAN在现实应用中的更有效使用。更重要的是，我们表明我们的方法在几个基于GAN的应用——异常检测、域适应与对抗防御中取得了最先进的性能，这些应用均受益于准确的投影。