基于自编码器的生成对抗网络AEGAN

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