- …
- …
#906
summarized by : shirouchi satoshi
どんな論文か？
フローベースの生成モデルは条件付けをするのが難しい。なぜなら条件付けた潜在変数zを上手く推定できないから。潜在空間から条件の属性を探すのではなく、条件空間から潜在空間へのマッピングを敵対的に推定するエンコーダを提案。条件cからzへエンコードし、色々な条件を組み合わせて画像を生成するCAGlowを提案。提案したCAGlowはGlowより優れている
新規性
フローベースでは潜在空間に条件を加えることが難しいため、GANを使って条件の分布を潜在空間にマッピングする。フローベースの生成モデルから求めた潜在変数z*と条件から生成したzを敵対的学習や分類で学習する。画像生成は、条件からzを生成して、そこから可逆なフローベースの特性を使って画像を生成する。
結果
MNIST、CelebAでGlow、CGlowと比較して高いAccuracy。Glowでは金髪の条件を付けると元が男の場合でも髪だけでなく顔も女に変化するが、CAGlowは元の男の顔に近いまま髪だけ金髪になる。
その他（なぜ通ったか？等）
- …
- …