OOGAN：基于独热采样与正交正则化解耦的GAN
计算机视觉与模式识别
2020-03-12 v5
摘要
为探索GAN在无监督解耦学习中的潜力，本文提出一种新颖的基于GAN的解耦框架，采用独热采样与正交正则化（OOGAN）。先前工作大多试图通过VAE解决解耦学习，并寻求以各类近似方法隐式最小化总相关性（TC）目标，我们则表明GAN在解耦上具有天然优势，可通过一种直接且稳健的交替潜变量（噪声）采样方法实现。此外，我们提供了设计生成器与判别器结构的全新视角，证明微小的结构改动与对模型权重的正交正则化即可带来改进的解耦。我们未在简单玩具数据集上实验，而是在更高分辨率图像上开展实验，表明OOGAN大幅推进了无监督解耦的边界。
引用
@article{arxiv.1905.10836,
title = {OOGAN: Disentangling GAN with One-Hot Sampling and Orthogonal Regularization},
author = {Bingchen Liu and Yizhe Zhu and Zuohui Fu and Gerard de Melo and Ahmed Elgammal},
journal= {arXiv preprint arXiv:1905.10836},
year = {2020}
}
备注
AAAI 2020