基于自编码器的生成对抗网络AEGAN
1 introduction
autoencoder是一个很好的特诊提取模型,然而,如果我们使用autoencoder的decoder部分来当做一个generator,效果并不好,主要原因在于,我们提取出的h本身是一个启发式的特征,没有任何显式含义,所以在利用decoder来做generation的时候,我们无法给出一个有意义的关于h的分布。
GAN最为一个很好的生成模型,同样也存在一个问题,就是生产的图像,缺乏合理的解释,并且并不是特别真实。
所以在这篇文章中,作者提出了一种新的AEGAN,利用GAN的形式来提升encoder的generation能力,而利用autoencoder来实现图像的重构,从而让生成的图像更加真实。
2 AEGAN
整个AEGAN可以看做三部分组成:encoder,decoder,discriminate。其结构如图所示。
encoder:对真实的图像x进行编码,从而获得一个隐含层z。
decoder:对编码的隐含层z进行解码,从而获得一个原始输入x的重构