复现 AmbientGAN：基于有损测量的生成模型
信号处理
2018-10-25 v1 机器学习
摘要
近年来，生成对抗网络（GAN）在建模复杂数据分布方面取得了显著进展。这些网络受到了极大关注，因为它们能够生成隐式概率模型，通过随机过程产生逼真的数据。尽管此类模型已在多种场景中证明极为有效，它们需要大量完全观测的训练样本。在许多应用中，获取此类样本困难甚至不切实际，只能获得所需分布的含噪或部分观测。近期研究试图解决样本观测不完整以恢复数据分布的问题。\citep{zhu2017unpaired} 与 \citep{yeh2016semantic} 分别提出了利用对抗网络中的循环一致性和潜空间映射来解决不适定逆问题的方法。\citep{bora2017compressed} 与 \citep{kabkab2018task} 已将类似的对抗方法应用于压缩感知问题。本工作中，我们关注一种称为 AmbientGAN 的 GAN 模型新变体，其将测量过程（例如加噪、数据删除和投影）纳入 GAN 训练。在标准 GAN 中，判别器区分生成图像与真实图像，而在 AmbientGAN 模型中，判别器必须区分真实测量值与生成图像的模拟测量值。\citep{bora2018ambientgan} 所示结果对不完整数据问题颇具前景，并对压缩感知与不适定问题的生成式方法具有潜在重要意义。
引用
@article{arxiv.1810.10108,
title = {Reproducing AmbientGAN: Generative models from lossy measurements},
author = {Mehdi Ahmadi and Timothy Nest and Mostafa Abdelnaim and Thanh-Dung Le},
journal= {arXiv preprint arXiv:1810.10108},
year = {2018}
}
备注
This work was submitted as final project for the course IFT6135: Representation Learning - A Deep Learning Course, University of Montreal, Winter 2018