Xun Huang, Yixuan Li, Omid Poursaeed, John Hopcroft, Serge Belongie
TL;DR本文提出了一种名为 SGAN 的新型生成模型,其利用自底向上的判别网络的分层表示创造了一个自上而下的 GAN 堆栈,对其进行反演。通过引入表示鉴别器和条件损失并使用多个噪声向量,SGAN 能够生成质量更高的图像。
Abstract
In this paper, we propose a novel generative model named Stacked Generative
Adversarial Networks (SGAN), which is trained to invert the hierarchical
representations of a bottom-up discriminative network. Our model consists of a
top-down stack of GANs, each learned to generate lower-lev
本文提出了一种生成式模型 Temporal Generative Adversarial Nets(TGAN),用于学习未标记视频的语义表示,并能够生成视频。我们的模型利用两种不同类型的生成器:时间生成器和图像生成器,解决了利用现有的基于 GAN 的方法生成视频时存在的问题。为了稳定训练,我们采用了最近提出的 Wasserstein GAN 模型,并提出了一种稳定的端到端训练方法。实验结果表明了我们方法的有效性。