具有对抗重构损失的成对增强生成对抗网络
机器学习
2018-10-12 v1 机器学习
摘要
我们提出了一种称为成对增强生成对抗网络(Pairwise Augmented GANs)的新型自编码模型。我们以对抗方式联合训练生成器与编码器。生成器网络学习采样逼真的对象。相应地，编码器网络同时被训练以将真实数据分布映射到隐空间中的先验分布。为确保良好的重构，我们引入了一种增强的对抗重构损失。在此我们训练一个判别器来区分两类对：一个对象与其增强版本组成的对，以及一个对象与其重构版本组成的对。我们表明，这种对抗损失基于内容而非精确匹配来比较对象。我们通过实验证明，我们的模型在 MNIST、CIFAR10、CelebA 数据集上生成的样本与重构质量可与最先进水平(state-of-the-art)竞争，并在 CIFAR10 上取得了良好的定量结果。
引用
@article{arxiv.1810.04920,
title = {Pairwise Augmented GANs with Adversarial Reconstruction Loss},
author = {Aibek Alanov and Max Kochurov and Daniil Yashkov and Dmitry Vetrov},
journal= {arXiv preprint arXiv:1810.04920},
year = {2018}
}