GAN 中解耦流形的无监督发现
计算机视觉与模式识别
2020-12-01 v2
摘要
由于近期的生成模型能够生成照片级真实感图像，人们试图理解生成过程背后的机制。可解释的生成过程有益于各类图像编辑应用。本工作中，我们提出一个框架，用于在给定任意预训练生成对抗网络（GAN）时发现潜空间中的可解释方向。我们提出学习从代表不同属性的先验独热向量到预训练模型所用潜空间的变换。此外，我们应用质心损失函数以提升遍历不同方向时的一致性与平滑性。我们在广泛的数据集上展示了所提框架的有效性。所发现的方向向量被证明在视觉上对应于多种不同属性，从而支持属性编辑。
引用
@article{arxiv.2011.11842,
title = {Unsupervised Discovery of Disentangled Manifolds in GANs},
author = {Yu-Ding Lu and Hsin-Ying Lee and Hung-Yu Tseng and Ming-Hsuan Yang},
journal= {arXiv preprint arXiv:2011.11842},
year = {2020}
}