语义分解生成对抗网络的潜在空间
机器学习
2018-02-26 v3 人工智能
计算机视觉与模式识别
神经与进化计算
机器学习
摘要
我们提出了一种训练生成对抗网络的新算法，该算法联合学习身份（例如个体人类）和观测（例如特定照片）的潜在编码。通过固定潜在编码的身份部分，我们可以生成同一主体的多样化图像；通过固定观测部分，我们可以在保持光照和姿态等偶然方面的同时遍历主体流形。我们的算法采用成对训练方案，其中生成器的每个样本由具有共同身份编码的两张图像组成。来自真实数据集的相应样本由同一主体的两张不同照片组成。为了欺骗判别器，生成器必须生成逼真、不同且看似描绘同一个体的图像对。我们使用 Siamese 判别器增强了 DCGAN 和 BEGAN 方法，以促进成对训练。通过人类评判者和现成的人脸验证系统进行的实验，证明了我们算法生成令人信服的、身份匹配照片的能力。
引用
@article{arxiv.1705.07904,
title = {Semantically Decomposing the Latent Spaces of Generative Adversarial Networks},
author = {Chris Donahue and Zachary C. Lipton and Akshay Balsubramani and Julian McAuley},
journal= {arXiv preprint arXiv:1705.07904},
year = {2018}
}
备注
Published as a conference paper at ICLR 2018