优化生成网络的潜空间
机器学习
2019-05-21 v2 计算机视觉与模式识别
机器学习
摘要
生成对抗网络 (GANs) 在生成逼真自然图像的任务中取得了显著成果。在大多数成功的应用中，GAN 模型具有两个共同方面：解决一个具有挑战性的鞍点优化问题（被解释为生成器和判别器函数之间的对抗博弈）；以及将生成器和判别器参数化为深度卷积神经网络。本文的目标是解析这两个因素对 GAN 成功的贡献。特别是，我们引入了生成潜优化 (GLO)，这是一个利用简单重构损失来训练深度卷积生成器的框架。通过各种实验，我们展示了 GLO 享有 GAN 的许多理想特性：合成视觉上有吸引力的样本、在样本之间进行有意义的插值以及对噪声向量执行线性算术；而这一切都无需对抗优化方案。
引用
@article{arxiv.1707.05776,
title = {Optimizing the Latent Space of Generative Networks},
author = {Piotr Bojanowski and Armand Joulin and David Lopez-Paz and Arthur Szlam},
journal= {arXiv preprint arXiv:1707.05776},
year = {2019}
}