【推荐】用于解缠学习的半监督StyleGAN，Semi-Supervised StyleGAN for Disentanglement Learning

主题： Semi-Supervised StyleGAN for Disentanglement Learning

摘要： 解缠学习是获得解缠表示和可控生成的关键。目前的解缠方法面临着一些固有的局限性：难以获得高分辨率图像，主要是学习解缠表示，以及由于无监督设置而无法识别。为了缓解这些限制，我们设计了基于StyleGAN（Karras等人，2019）的新架构和损失函数，用于半监督高分辨率解纠缠学习。我们创建了两个复杂的高分辨率合成数据集用于系统测试。我们研究了有限监督的影响，发现仅使用0.25%~2.5%的标记数据就足以对合成数据集和真实数据集进行良好的分离。我们提出了新的量化发电机可控性的指标，并观察到分离表示学习和可控发电之间可能存在一个关键的权衡。我们还考虑了语义细粒度的图像编辑，以实现对看不见的图像更好的泛化。