生成对抗网络的非参数先验
计算机视觉与模式识别
2019-05-20 v1 机器学习
摘要
生成对抗网络（GAN）的出现实现了此前被认为极具挑战性的合成、插值与数据增强等新能力。然而，大多数 GAN 架构中的一个常见假设是简单的参数化潜空间分布。虽然易于实现，但简单的潜空间分布会在诸如插值等用途中带来问题。这是由于在潜空间中对样本进行插值时会出现分布失配。我们对该问题给出了一个简洁的形式化描述；利用概率论的基本结果与现成的优化工具，我们提出了获得恰当非参数先验的方法。所得先验在其形状上表现出不寻常的定性性质，并在与其中点分布具有更低散度方面带来定量收益。我们证明，所设计的先验有助于在插值过程中沿任意欧几里得直线改善图像生成，无论是在定性还是定量上，且无需任何额外训练或架构修改。所提出的公式相当灵活，为对潜空间统计施加更新的约束铺平了道路。
引用
@article{arxiv.1905.07061,
title = {Non-Parametric Priors For Generative Adversarial Networks},
author = {Rajhans Singh and Pavan Turaga and Suren Jayasuriya and Ravi Garg and Martin W. Braun},
journal= {arXiv preprint arXiv:1905.07061},
year = {2019}
}