阅读AAE论文

最新推荐文章于 2024-07-16 19:13:12 发布

kill bert

最新推荐文章于 2024-07-16 19:13:12 发布

阅读量476

点赞数

CC 4.0 BY-SA版权

分类专栏： AAE论文复现文章标签：深度学习

本文链接：https://blog.youkuaiyun.com/Sweeping_Robot/article/details/124232719

AAE论文复现专栏收录该内容

1 篇文章

订阅专栏

对抗自编码器(Adversarial Autoencoders, AAE)是一种结合了自编码器和生成对抗网络的模型。它通过编码器和解码器生成图像，而判别器则对抗训练编码向量，使其符合特定概率分布。AAE的独特之处在于它在隐层操作，避免了GAN处理离散样本的难题，能通过微调编码向量生成更真实的样本。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

paper
流程图：在这里插入图片描述
1Adversarial Autoencoders的核心仍然是利用一个生成器G和一个判别器D进行对抗学习，以区分real data和fake data，但是差别在于这里需要判别真假的data并不是自然图像，而是一个编码向量z，对应的real data和fake data分别由autoencoder中的encoder和一个预定义的随机概率分布生成，最后用于image generation的网络也并非是之前的生成器G，而是autoencoder中的decoder。如果要类比原始GAN的架构的话，本文中其实含有两个生成模型，即Encoder生成编码向量，Decoder生成图片，但是Discriminator是对编码向量生成的Encoder进行对抗训练，使得生成编码向量的概率分布拟合到特定的概率分布P(z)之上。
2. 优势：
从上图中可以明确地看出，这个模型不像原来的GAN一样生成出一些样本，然后和真实数据比较，梯度反向传播从而渐渐优化模型；这个模型操作的是隐层的z，通过调整z来达到得到想要的生成的效果。真实样本可以是不连续的（普通GAN无法训练优化），但是z却是连续的，我们可以做到通过微调z来生成更加真实的样本。也就是说AAE完美避开了GAN无法生成离散样本的问题。