3D GANs 和潜空间:综合调查
本文提出了一种新颖的框架,即 3D 生成对抗网络(3D-GAN),通过利用体积卷积网络和生成对抗网络的最新进展,从概率空间生成 3D 对象,并具有生成高质量 3D 对象、无先验 CAD 模型或图像依赖性、生成器从低维概率空间到 3D 空间的映射以及训练出的无监督深度学习的 3D 描述符等优点,在 3D 对象生成及识别等方面取得了令人印象深刻的性能。
Oct, 2016
本研究提出了 ClusterGAN 作为使用 GAN 进行聚类的新机制,通过从一热编码变量和连续变量的混合中采样潜变量,再结合一个特定于聚类的损失函数,与一个将数据投影到潜空间的逆网络共同训练,我们能够在潜空间中进行聚类。结果表明,GAN 可以保留类别之间的潜空间插值,即使鉴别器从未接触过这些向量,并且在合成和真实数据集上,我们的结果比各种聚类基线表现更好。
Sep, 2018
通过先前训练好的 GAN 模型,将图像投影到潜在空间中以获取表示,我们可以在 MNIST 任务和 Omniglot 任务中成功地保留数字和字符的信息,这种方法可以应用于一次性学习。
Nov, 2016
本文提出了一个名为 InterFaceGAN 的新框架,用于解释 GAN 学习到的语义面部编辑,并深入研究不同语义如何编码在 GAN 的潜在空间中。我们发现,精心训练的生成模型的潜在编码实际上学习了一个分离的表示,在线性变换后解旋,通过子空间投影来解开某些绑定属性,实现更精确的面部特征控制,并产生可控的面部属性表示的结果表明 GAN 具有生成高保真图像的能力。
Jul, 2019
本文研究如何扩展 GAN 模型可达到的视觉效果,通过在生成器参数空间中探索方向,发现了许多可解释性方向,这是非常重要的,因为这些方向可以用于语义操作,这些操作无法通过转换潜在的向量代码实现。
Nov, 2020
使用品质多样性算法对生成对抗网络中的潜空间进行有效探索,进而提取游戏级别,并展示如何在保持风格相似性的情况下提取具有不同级别机制的高质量级别。
Jul, 2020
本文主要讨论生成对抗网络的应用和基本操作,介绍了 GAN 如何学习高维度、复杂的真实数据分布,并不需要假设分布,同时讨论了 GAN 加入自动编码器框架、用于图像合成、图像编辑和分布学习等多种变体。
Nov, 2017
本文基于几何学的角度探究 GAN 潜在空间的性质和图像变异机制,并提出一种基于网络结构的方法计算 GAN 图像多丽安流形的黎曼度量,这一方法可以有效地优化潜在空间的优化等应用,并便于解释变换维度。
Jan, 2021
本文研究了生成式对抗网络中的潜在向量空间中数据分布模型,提出了一个简单的高斯先验模型,用于规范图像向潜在空间的映射,这样生成的图像更加平滑和稳定,同时维持多样性和减少生成图像中的伪像。
Sep, 2020