基于生成对抗网络的变分自编码器解耦合 |
| |
引用本文: | 张贤坤,赵亚婷,丁文强,张翼英.基于生成对抗网络的变分自编码器解耦合[J].天津科技大学学报,2023(4):62-68. |
| |
作者姓名: | 张贤坤 赵亚婷 丁文强 张翼英 |
| |
作者单位: | 天津科技大学人工智能学院 |
| |
基金项目: | 天津市科技计划项目(22KPXMRC00210); |
| |
摘 要: | 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。
|
关 键 词: | 解耦合 β-变分自编码器 生成对抗网络 深度生成模型 |
|
|