用于解耦学习的半监督 StyleGAN
计算机视觉与模式识别
2020-11-30 v3 机器学习
摘要
解耦学习对于获得解耦表示和可控生成至关重要。当前的解耦方法面临若干固有局限：难以处理高分辨率图像、主要聚焦于学习解耦表示，以及由于无监督设定导致的不可辨识性。为缓解这些局限，我们基于 StyleGAN（Karras 等人，2019）设计了新的架构和损失函数，用于半监督高分辨率解耦学习。我们创建了两个复杂的高分辨率合成数据集以进行系统测试。我们研究了有限监督的影响，发现仅在合成和真实数据集上使用 0.25%~2.5% 的标注数据即足以实现良好的解耦。我们提出了量化生成器可控性的新指标，并观察到在解耦表示学习和可控生成之间可能存在关键的权衡。我们还考虑语义细粒度图像编辑以实现对未见图像的更好泛化。
引用
@article{arxiv.2003.03461,
title = {Semi-Supervised StyleGAN for Disentanglement Learning},
author = {Weili Nie and Tero Karras and Animesh Garg and Shoubhik Debnath and Anjul Patney and Ankit B. Patel and Anima Anandkumar},
journal= {arXiv preprint arXiv:2003.03461},
year = {2020}
}
备注
ICML 2020, 21 pages. Project page: https://sites.google.com/nvidia.com/semi-stylegan