用于生成模型隐空间分布保持操作的最优传输映射
机器学习
2018-01-26 v2 计算机视觉与模式识别
机器学习
摘要
变分自编码器（VAEs）和生成对抗网络（GANs）等生成模型通常针对隐空间中固定的先验分布（如均匀分布或高斯分布）进行训练。在获得训练好的模型后，人们可以以多种形式对生成器进行采样以进行探索和理解，例如在两个样本之间插值、在样本附近采样、或将一对样本的差异作用于第三个样本。在本文中，我们指出迄今为止文献中使用的隐空间操作会导致所得输出与模型训练所用的先验分布之间的分布失配。为此，我们提出使用分布匹配传输映射，以确保此类隐空间操作在最小程度修改原始操作的同时保持先验分布。我们的实验结果验证了所提出的操作相比原始操作能给出更高质量的样本。
引用
@article{arxiv.1711.01970,
title = {Optimal transport maps for distribution preserving operations on latent spaces of Generative Models},
author = {Eirikur Agustsson and Alexander Sage and Radu Timofte and Luc Van Gool},
journal= {arXiv preprint arXiv:1711.01970},
year = {2018}
}