重新思考生成对抗网络的编辑：一种基于降维的编辑向量估计方法
计算机视觉与模式识别
2023-05-17 v1 机器学习
摘要
尽管生成对抗网络（GANs）近来在图像编辑中找到了应用，但大多数以往的基于 GAN 的图像编辑方法需要带语义分割标注的大规模数据集进行训练，仅提供高层控制，或仅仅在不同图像间插值。先前的研究者提出了 EditGAN，通过寻找“编辑向量”以有限的语义标注实现高质量、高精度的语义图像编辑。然而，注意到存在许多与语义关联不强的特征，EditGAN 可能在它们上失效。基于 EditGAN 观测到的潜空间正交性，我们提出一种不依赖语义分割也不可微特征估计网络的编辑向量估计方法。我们的方法假设特征的强度分布与隐藏向量分布之间存在相关性，并通过采样若干隐藏向量对应图像的特征强度来估计上述分布间的关系。我们改进了线性判别分析（LDA）以处理二值特征编辑与连续特征编辑。随后发现该方法在处理服装类型与纹理、肤色与头发等特征时具有良好效果。
引用
@article{arxiv.2305.09454,
title = {Rethinking the editing of generative adversarial networks: a method to estimate editing vectors based on dimension reduction},
author = {Yuhan Cao and Haoran Jiang and Zhenghong Yu and Qi Li and Xuyang Li},
journal= {arXiv preprint arXiv:2305.09454},
year = {2023}
}
备注
10 pages, 4 figures. arXiv admin note: substantial text overlap with arXiv:2111.03186 by other authors