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x^
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pdata的分布，而AEGAN则是让我们提取的特征z靠近我们给定的分布pz(z)。这样就可以很好的解决原始autoencoder在生成的时候中间层h的特征无异议的问题。
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。