论生成对抗网络的“可操作性”

作者：Ali Jahanian,Lucy Chai,Phillip Isola

摘要：当代机器学习的一个公开秘密是，许多模型在标准基准测试中运行良好，但未能在实验室外进行推广。这归因于对有偏见数据的培训，这些数据对现实世界事件的覆盖率较低。生成模型也不例外，但生成对抗网络（GAN）的最新进展表明 - 这些模型现在可以合成出惊人的真实和多样化的图像。照片的生成建模是一个解决的问题吗？我们表明，尽管当前的GAN可以很好地适应标准数据集，但它们仍然不能成为视觉流形的综合模型。特别是，我们研究了它们适应简单变换的能力，例如相机移动和颜色变化。我们发现模型反映了它们被训练的数据集的偏差（例如，居中对象），但它们也表现出一定的泛化能力：通过潜在空间中的“转向”，我们可以在创建现实的同时改变分布图片。我们假设分布变化的程度与训练数据分布的广度有关，并进行证明这一点的实验。

原文标题：On the ''steerability" of generative adversarial networks

地址：https://arxiv.org/abs/1907.07171