GAN潜空间中可解释方向的无监督发现
机器学习
2020-06-25 v3 计算机视觉与模式识别
机器学习
摘要
GAN模型的潜空间通常具有语义上有意义的方向。沿这些方向移动对应于人类可解释的图像变换，例如缩放或重新着色，从而实现更可控的生成过程。然而，此类方向的发现目前以有监督方式进行，需要人类标签、预训练模型或某种形式的自监督。这些要求严重限制了现有方法能够发现的方向范围。本文中，我们引入一种无监督方法来识别预训练GAN模型潜空间中的可解释方向。通过简单的与模型无关的流程，我们在无任何（自）监督形式下找到了对应于合理语义操作的方向。此外，我们揭示了若干非平凡发现，这些发现难以通过现有方法获得，例如对应于背景去除的方向。作为我们工作的直接实际益处，我们展示了如何利用该发现实现具有竞争力的弱监督显著性检测性能。
引用
@article{arxiv.2002.03754,
title = {Unsupervised Discovery of Interpretable Directions in the GAN Latent Space},
author = {Andrey Voynov and Artem Babenko},
journal= {arXiv preprint arXiv:2002.03754},
year = {2020}
}