基于自编码器的生成对抗网络AEGAN
来源:互联网 发布:js删除数组中某个元素 编辑:程序博客网 时间:2024/06/06 20:31
基于自编码器的生成对抗网络AEGAN
1 introduction
autoencoder是一个很好的特诊提取模型,然而,如果我们使用autoencoder的decoder部分来当做一个generator,效果并不好,主要原因在于,我们提取出的h本身是一个启发式的特征,没有任何显式含义,所以在利用decoder来做generation的时候,我们无法给出一个有意义的关于h的分布。
GAN最为一个很好的生成模型,同样也存在一个问题,就是生产的图像,缺乏合理的解释,并且并不是特别真实。
所以在这篇文章中,作者提出了一种新的AEGAN,利用GAN的形式来提升encoder的generation能力,而利用autoencoder来实现图像的重构,从而让生成的图像更加真实。
2 AEGAN
整个AEGAN可以看做三部分组成:encoder,decoder,discriminate。其结构如图所示。
encoder:对真实的图像x进行编码,从而获得一个隐含层z。
decoder:对编码的隐含层z进行解码,从而获得一个原始输入x的重构
上面两部分,构成了AEGAN中autoencoder的部分,用传统的重构误差最小化的方式进行训练。
discriminate:通过一个判别器来判断输入的z是来自我们生成的一个分布,还是对真实值的特征提取。
comprehension
给定一个D,来判别输入的z是来自真实样本,还是来自某个特定分布,这和原始的GAN有着根本的区别,原始的GAN是来拟合样本
然后在利用这个我们约束后的特征,进行重构,这样我们就可以获得一个和原始样本无限接近的新样本。这就很好的消除了原始GAN生成图像不逼真的问题。
weakness
有好处,自然也有不足。重构误差虽然解决了生成样本的真实性的问题,同时也让GAN生成的多样性大打折扣,这本身又是一个矛盾。
- 基于自编码器的生成对抗网络AEGAN
- 基于变分自编码器的生成对抗网络
- 一文纵览无监督学习研究现状:从自编码器到生成对抗网络
- 基于能量的生成对抗网络
- 对抗自编码器指南之一:自编码器
- 基于对抗生成网络的图像转换技术【论文笔记】
- 生成对抗网络的资料
- 通过PyTorch实现对抗自编码器
- Tensorflow(1.0)基于对抗生成网络生成明星脸
- 生成对抗网络的tensorflow实现
- 生成对抗式网络GAN 的 loss
- 对抗生成网络的资料小结
- GAN生成对抗网络的TensorFlow实现
- 生成对抗网络
- 生成对抗网络
- 生成对抗网络
- 生成对抗网络GAN
- 论文生成对抗网络
- oracle 启动及异常处理
- 关于Android设备USBHID通信控制传输相关接口说明
- 天啦噜_HTML5 DRM正式成为Web标准_以后我们还怎么看视频?
- 天啦噜,HTML5 DRM正式成为Web标准,以后我们还怎么看视频?
- 使用Chrome来调试你的Android App
- 基于自编码器的生成对抗网络AEGAN
- NAND FLASH
- sails.js使用mysql模块搞定事务
- python学习笔记--Dictionary
- Mach异常与Unix信号
- 迷宫问题 BFS
- 浅谈ES6模块基础知识
- 软件开发过程中文档的作用
- Jenkins常用插件之MSBuild Plugin