In this paper, we treat the image generation task using an autoencoder, a representative latent model. Unlike many studies regularizing the latent variable's distribution by assuming a manually specified prior, we approach the image generation task using an autoencoder by directly estimating the latent distribution. To this end, we introduce 'latent density estimator' which captures latent distribution explicitly and propose its structure. Through experiments, we show that our generative model generates images with the improved visual quality compared to previous autoencoder-based generative models.
翻译:在本文中, 我们使用一个具有代表性的潜伏模型自动编码器处理图像生成任务 。 与许多研究不同, 通过假设之前手动指定的, 将潜在变量的分布正规化, 我们通过直接估计潜在分布来对待图像生成任务 。 为此, 我们引入了“ 远程密度估计器 ”, 明确捕捉潜在分布, 并提议其结构 。 我们通过实验, 我们的基因化模型生成图像, 与以前的基于自动编码器的基因模型相比, 图像的视觉质量有所提高 。