论将 GAN 条件化至层次化本体
机器学习
2019-05-17 v1 机器学习
摘要
生成对抗网络(GAN)近期的成功源于其从潜向量空间生成高质量图像的能力。一个重要应用是从文本描述生成图像,其中文本描述被编码并进一步用于条件化所生成的图像。因此生成网络必须额外学习从文本潜向量空间到高度复杂且多模态的图像数据分布的映射,这使得此类模型的训练具有挑战性。为处理时尚图像与元数据的复杂性,我们提出本体生成对抗网络(O-GANs)用于以层次化时尚本体为条件的时尚图像合成,以提升图像生成保真度。我们表明,如由 Fréchet Inception Distance 与 Inception Score 所度量的,本体的引入带来了更好的图像质量。此外,我们表明 O-GAN 在由文本与生成图像间隐式相似度所评估的条件化结果上表现更优。
引用
@article{arxiv.1905.06586,
title = {On Conditioning GANs to Hierarchical Ontologies},
author = {Hamid Eghbal-zadeh and Lukas Fischer and Thomas Hoch},
journal= {arXiv preprint arXiv:1905.06586},
year = {2019}
}
备注
Under review at MLKgraphs2019: http://www.dexa.org/mlkgraphs2019