TL;DR研究生成敌对网络是一个强大的框架,而文中的研究将 GANs 应用于简单的线性生成器高斯数据场景下,发现原 GAN 无法恢复最优 PCA 解,而 Wasserstein GAN 可以在样本大小的极限下接近 PCA 解,因此可能成为一种基于广泛数据设置的最优 GAN 体系结构的基础。
Abstract
generative adversarial networks (gans) have become a powerful framework to
learn generative models that arise across a wide variety of domains. While
there has been a recent surge in the development of numerous G
本文提出了一种用于生成点云数据的改进的 GAN 算法(PC-GAN),结合了层次贝叶斯建模和隐式生成模型的思想,使用后验推理网络来学习隐藏变量、使用紧凑的 Wasserstein 距离估计来定义优化目标,从而实现了多个 GAN 算法的一般化框架。实验证明,PC-GAN 比现有方法更好地生成了许多 3D 模型,并且具有竞争性能的潜力。