GAN 潜空间中用于语义编辑的 Wasserstein 损失
计算机视觉与模式识别
2023-04-21 v1 人工智能
摘要
GAN 的潜空间包含反映训练数据的丰富语义。不同方法提出学习潜空间中对应于语义属性的编辑，从而修改生成图像。大多数监督方法依赖分类器引导来产生此类编辑。然而，分类器可能导致分布外区域，并被对抗样本欺骗。我们提出一种基于 Wasserstein 损失的替代公式，可避免此类问题，同时保持与基于分类器的方法相当的性能。我们在两个数据集（数字与人脸）上使用 StyleGAN2 验证了方法的有效性。
引用
@article{arxiv.2304.10508,
title = {Wasserstein Loss for Semantic Editing in the Latent Space of GANs},
author = {Perla Doubinsky and Nicolas Audebert and Michel Crucianu and Hervé Le Borgne},
journal= {arXiv preprint arXiv:2304.10508},
year = {2023}
}