结构化生成对抗网络
机器学习
2017-11-06 v1 计算机视觉与模式识别
摘要
我们研究基于指定语义或条件的条件生成建模问题。现有构建条件生成器的模型要么需要大量标注样本作为监督，要么无法精确控制生成样本的语义。我们提出结构化生成对抗网络（SGANs）用于半监督条件生成建模。SGAN 假设数据 x 的生成以两个独立潜变量为条件：编码指定语义的 y，以及包含其他变化因素的 z。为确保 y 和 z 中语义解耦，SGAN 在隐空间中构建两个协作博弈，分别最小化 y 和 z 的重构误差。训练 SGAN 还涉及求解两个对抗博弈，其均衡集中于真实联合数据分布 p(x, z) 和 p(x, y)，从而避免基于 MLE 的方法可能遭受的概率质量在数据空间上弥散分布的问题。我们通过评估其训练后的网络及在下游任务上的表现来评价 SGAN。我们表明 SGAN 提供了一个高度可控的生成器以及解耦的表示；当应用于半监督图像分类时（在 MNIST、SVHN 和 CIFAR-10 上分别使用 50、1000 和 4000 个标签达到 1.27%、5.73%、17.26% 的错误率），它还在多个数据集上确立了最佳结果。受益于对 y 和 z 的分别建模，SGAN 可生成具有高视觉质量且严格遵循指定语义的图像，并可扩展至广泛应用，如风格迁移。
引用
@article{arxiv.1711.00889,
title = {Structured Generative Adversarial Networks},
author = {Zhijie Deng and Hao Zhang and Xiaodan Liang and Luona Yang and Shizhen Xu and Jun Zhu and Eric P. Xing},
journal= {arXiv preprint arXiv:1711.00889},
year = {2017}
}
备注
To appear in NIPS 2017