基于生成对抗网络的变分自编码器解耦合

深度生成模型从观测数据中学习到潜在因素，然后通过潜在因素生成目标，在人工智能领域受到广泛关注。现有深度生成模型学习的潜在因素往往是耦合的，无法让潜在因素每一维控制所得数据的不同特征，即无法单独改变某一特征而不影响其他特征。为此，在β-变分自编码器(beta-variationalautoencoder,β-VAE)的基础上，结合生成对抗网络(generativeadversarialnetworks,GAN)，提出基于生成对抗网络的变分自编码器(beta-variationalautoencoder basedongenerativeadversarialnetwork,β-GVAE)模型。该模型是一种改进的β-VAE，通过引入生成对抗网络约束β-VAE中损失函数的KL项(Kullback-Leiblerdivergence)，促进模型的解耦合。在数据集CelebA、3DChairs和d Sprites上进行对比实验，结果表明β-GVAE不仅具有更好的解耦合表示，同时生成的图像具有更好的视觉效果。