来自莱斯大学，英伟达，多伦多大学以及加州理工学院的研究团队近日发表了一篇名为「半监督 StyleGAN 用于解缠学习」的新研究，以下是该研究的完整摘要分享：纠缠学习对于获得纠缠表示和可控生成至关重要。当前的解纠缠方法面临一些固有的局限性：高分辨率图像的困难（主要在于学习纠缠的表示）以及由于无人监督的设置而导致的不可识别性。为了减轻这些限制，研究团队基于 StyleGAN 设计了新的体系结构和损失函数，用于半监督的高分辨率解纠缠学习。研究人员们创建了两个复杂的高分辨率合成数据集以进行系统测试，并研究了有限监督的影响，发现仅使用 0.25％〜2.5％的标记数据足以在合成和真实数据集上实现良好的纠缠。该团队提出了新的指标来量化发电机的可控性，并观察到在纠缠的表示学习与可控发电之间可能存在至关重要的折衷。研究团队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。PPT 传送门：bit.ly/2vmO5Go