Abstract
生成对抗网络(GANs)在生成逼真自然图像的任务中取得了显著的成果。
在大多数成功的应用中,GAN模型具有两个共同的特点:解决具有挑战性的鞍点优化问题,被解释为生成器和鉴别器函数之间的对抗游戏;以及将生成器和鉴别器参数化为深度卷积神经网络。
本文的目标是澄清这两个因素对GAN成功的贡献。特别地,我们引入了生成潜在优化(GLO),这是一个使用简单重构损失来训练深度卷积生成器的框架。
通过各种实验,我们展示了GLO具有许多GAN的理想特性:合成视觉上吸引人的样本,有意义地在样本之间进行插值,并对噪声向量进行线性算术运算;所有这些都不需要对抗性优化方案。
-
Previous
【ECCV 2022】FECNet:Deep Fourier-based Exposure Correction Network with Spatial-Frequency Interaction -
Next
【CVPR 2018】SID:Learning to See in the Dark