Abstract
最近的工作表明，在训练生成图像时，生成对抗网络（GAN）的隐空间中会出现各种语义。但是，很难将这些学习到的语义用于真实图像编辑。一个常见的做法是将真实图像送到训练好的GAN生成器将其转换回隐编码。但是， 现有的逆推方法通常专注与像素值重建， 没能将逆推编码放在原始隐空间的语义域中。 结果， 重构的图像不能通过改变逆推编码很好地支持语义编辑。为了解决这个问题，我们提出了一种域内GAN逆推方法，该方法不仅可以重建输入图像，还可以确保逆推的编码在语义上对编辑有意义。 我们首先学习一种新的 domain-guided 编码器，将给定图像投影到GAN的本地隐空间中。然后， 我们提出 domain-regularized 优化 通过将编码器作为正则化器来微调编码器产生的编码 并 更好地恢复目标图像。 大量的实验表明，我们的逆推方法可以实现令人满意的真实图像重建，并且更重要的是可以方便地完成各种图像编辑任务，大大超过了最新技术。
Motivation
Net Structure
Performance
-
Previous
【d2l】The Dataset for Pretraining Word Embedding -
Next
【深度学习】Navigating the GAN Parameter Space for Semantic Image Editing
