传递解缠特征：连接合成图像与真实图像的鸿沟

开发有意义且高效的表征方法，分离数据生成机制的基本结构对于表征学习至关重要。然而，由于受限的生成因子相关性、其分辨率以及对真实标签的有限获取，解缠表征学习尚未充分展现其潜力。在此基础上，我们研究了是否可以利用合成数据来学习通用且可用于真实数据的解缠表征，讨论了微调的影响以及解缠性质在迁移后是否保留。我们提供了一项广泛的实证研究以解决上述问题。此外，我们提出了一种新的可解释介入基准指标，用于衡量表征中因子编码的质量。我们的结果表明，通过从合成数据传递表征到真实数据的某种程度的解缠是可能且有效的。