论文阅读：Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks

Abstract

---

背景：

希望能缩小CNN在监督学习和无监督学习之间成功应用的差距。

贡献：

引入了一类称为深度卷积生成对抗网络（DCGAN）的CNN。

结果：

DCGAN 在生成器和判别器中都能从对象到场景学习表示层次结构。

1. Introduction

---

贡献：

• 提出DCGAN
• 用于图像分类任务，展示其性能
• 对滤波器进行了可视化，证明特定滤波器已经学会了绘制特定对象
• 生成器具有向量算术特性，允许轻松操作生成样本的许多语义特征

2. Related Work

---

2.1 Representation Learning From Unlabeled Data——基于未标记数据的表示学习

---

• 聚类
• 自动编码器

2.2 Generating Natural Images——生成自然图像

---

生成图像模型分为两类：参数和非参数。

2.3 Visualizing The Internals Of CNNs——CNN内部可视化

---

使用输入上的梯度下降，可以检查激活某些滤波器子集的理想图像。<