具有共同因果代表性的反事实生成,用于生成的对抗网络
Dianlong You1, Chuan Lu1, Zhijuan Wu2
1School of Information Science and Engineering, Yanshan University, Qinhuangdao, Hebei, 066004, China; The Key Laboratory for software engineering of Hebei Province, Yanshan University, Qinhuangdao, Hebei, 066004, China.
本研究介绍了使用生成对抗网络 (GAN) 进行可控图像生成的新模型. 具有联合因果表示 (CGJCR) 的反事实生成模型通过分离图像属性来实现精确的语义编辑.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 生成对立网络 (GAN) 经常充当黑子,限制可控制的图像生成和语义编辑.
- 在GAN产生的图像中修改多个属性仍然是一个重大挑战.
研究的目的:
- 开发一种新型模型,即具有联合因果表示的反事实生成 (CGJCR),用于可控制的图像生成和语义编辑.
- 为了能够精确地操纵GANs内的多个图像属性.
主要方法:
- 使用分类器梯度作为先验知识来学习反事实联合语义表示.
- 通过连续优化运用正交法来解开语义表示.
- 为预先训练的GAN开发了独立的反事实表示和解模块.
主要成果:
- 与Celeba数据集上的现有方法相比,CGJCR显示出更高的性能.
- 干预实验和各种指标验证了该模型在生成和解开联合因果表征方面的有效性.
- 提出的方法成功地解决了黑子GAN在语义编辑中的局限性.
结论:
- CGJCR为GAN中可控图像生成和语义编辑提供了有效的解决方案.
- 该模型成功地解开了联合因果表示,允许微细的属性操纵.
- 开源代码是可用的,促进进一步的研究和应用.
更多相关视频
07:50Plasmid-derived DNA Strand Displacement Gates for Implementing Chemical Reaction Networks
Published on: November 25, 2015
10:44Inherent Dynamics Visualizer, an Interactive Application for Evaluating and Visualizing Outputs from a Gene Regulatory Network Inference Pipeline
Published on: December 7, 2021
相关概念视频
Attribution Theory
Randomized Experiments
Simple randomization
Simple...
Associative Learning
Classical conditioning, also known...
Counterfactual Thinking
Theory of Attribution I: Correspondent Inference Theory
Theory of Attribution II: Kelley's Covariation Theory
