Latent Constraints: Conditional Generation from Unconditional Generative Models
Jesse Engel, Matthew Hoffman, Adam Roberts arXiv link
Abstract:
深度生成神经网络在复杂数据分布的条件和无条件建模方面都是有效的。
条件生成实现了交互式控制,但创建新控件通常需要昂贵的再训练。
在本文中,我们开发了一种条件生成方法,无需重新训练模型。
通过事后学习____latent constraints___,识别潜在空间中产生具有所需属性的输出的区域的值函数,我们可以使用基于梯度的优化或摊销的演员函数从这些区域中有条件地进行采样。
将属性约束与通用的“现实主义”约束相结合,强制实现与数据分布的相似性,我们从无条件变量自动编码器生成逼真的条件图像。
此外,使用基于梯度的优化,我们演示了保持身份的转换
潜在空间中的最小调整以修改图像的属性。
最后,利用离散的音