用于解释 GAN 潜空间的张量成分分析
计算机视觉与模式识别
2021-11-24 v1
摘要
本文致力于在预训练生成对抗网络（GANs）的潜空间中寻找可解释方向，以促进可控图像合成。此类可解释方向对应于能够同时影响合成图像风格与几何形状的变换。然而，现有利用线性技术寻找这些变换的方法往往无法提供直观的方式来分离这两类变化来源。为此，我们提出：a) 对中间表示的张量进行多线性分解；b) 使用基于张量的回归将该分解所得方向映射至潜空间。我们的方案既支持对应于张量各模态的线性编辑，也支持建模模态间乘性交互的非线性编辑。实验表明，前者可更好地分离基于风格与基于几何的变换，而后者相比先前工作可生成一组扩展的可能变换。我们定量与定性地展示了该方法相较于当前最优方法的效能。
引用
@article{arxiv.2111.11736,
title = {Tensor Component Analysis for Interpreting the Latent Space of GANs},
author = {James Oldfield and Markos Georgopoulos and Yannis Panagakis and Mihalis A. Nicolaou and Ioannis Patras},
journal= {arXiv preprint arXiv:2111.11736},
year = {2021}
}
备注
BMVC 2021