Y-自编码器：通过序列编码解耦潜在表示
计算机视觉与模式识别
2019-07-26 v1 机器学习
摘要
近年来，生成模型取得了重要进展，其中两种主流方法是生成对抗网络（GAN）和变分自编码器（VAE）。然而，标准自编码器（AE）及其密切相关结构仍然流行，因为它们易于训练且能适应不同任务。一个有趣的问题是，我们是否能在保留 AE 优良特性的同时取得最先进的性能。我们通过引入一种称为 Y-自编码器（Y-AE）的新模型来回答这个问题。Y-AE 的结构和训练过程将一个表示封装为隐式部分和显式部分。隐式部分类似于自编码器的输出，显式部分与训练集中的标签强相关。这两部分在潜在空间中通过在解码和重编码之前将编码器的输出拆分为两条路径（形成 Y 形）而分离。然后我们施加若干损失，例如重构损失，以及隐式与显式部分之间相关性的损失。此外，显式流形上的投影由一个预测器监控，该预测器嵌入在编码器中并以端到端方式训练，无需对抗损失。我们在多个领域提供了显著的实验结果，例如风格与内容分离、图像到图像翻译以及逆向图形学。
引用
@article{arxiv.1907.10949,
title = {Y-Autoencoders: disentangling latent representations via sequential-encoding},
author = {Massimiliano Patacchiola and Patrick Fox-Roberts and Edward Rosten},
journal= {arXiv preprint arXiv:1907.10949},
year = {2019}
}