基于生成式潜最近邻的非对抗图像合成
机器学习
2018-12-24 v1 计算机视觉与模式识别
机器学习
摘要
无条件图像生成近来由生成对抗网络（GANs）主导。GAN 方法训练一个从随机噪声向量回归图像的生成器，以及一个试图区分生成图像与真实图像训练集的判别器。GAN 在生成逼真图像方面已展现出惊人结果。尽管取得成功，GAN 仍存在关键缺陷，包括：训练不稳定和模式丢弃。GAN 的弱点激发了针对替代方案的研究，包括：变分自编码器（VAEs）、潜嵌入学习方法（如 GLO）以及基于最近邻的隐式最大似然估计（IMLE）。遗憾的是，目前 GAN 在图像生成上仍显著优于这些替代方法。本工作中，我们提出一种新方法——生成式潜最近邻（GLANN）——用于在无对抗训练的情况下训练生成模型。GLANN 以克服各自主要缺陷的方式结合了 IMLE 和 GLO 的优势。因此，GLANN 生成的图像远优于 GLO 和 IMLE。我们的方法不存在困扰 GAN 训练的模式崩溃问题，且更加稳定。定性结果表明，在常用数据集上 GLANN 优于由 800 个 GAN 和 VAE 组成的基线。我们的模型也被证明对训练真正的非对抗无监督图像翻译有效。
引用
@article{arxiv.1812.08985,
title = {Non-Adversarial Image Synthesis with Generative Latent Nearest Neighbors},
author = {Yedid Hoshen and Jitendra Malik},
journal= {arXiv preprint arXiv:1812.08985},
year = {2018}
}