摘 要：在复杂数据生成任务中，数据的语义因素在潜在空间中相互耦合，导致生成模型难以独立控制特定因素，限制了其可解释性和实用性。解耦表示学习旨在将这些因素分解为独立的隐向量，以实现对数据生成的精细控制。然而，现有方法在解耦效果和生成质量上仍存在不足。本文提出了基于隐空间交替采样与正交正则化的解耦生成对抗网络（disentangling GAN with latent space alternating sampling and orthogonal regularization, LAOGAN）模型，采用隐空间交替采样作为潜在输入，提供更有意义的先验分布，引入正交正则化约束以强制不同潜在维度变化引起的输出变化相互独立，提升模型解耦性能。在 dSprites、MNIST、CelebA 数据集上的相关定性与定量实验证明了本文模型在保证生成质量的同时拥有更好的解耦性能。

论文下载：

基于隐空间交替采样与正交正则化的生成对抗网络解耦表示模型_陈亚瑞.pdf

  浏览次数：