CoDeGAN：用对比学习重新定义GAN中的表示解耦

论文信息

论文题目：CoDeGAN: Contrastive Disentanglement for Generative Adversarial Network（生成对抗网络的对比解纠缠）

期刊：Neurocomputing

摘要：解缠(Disentanglement)是可解释机器学习中的一个关键问题，已经引起了计算机视觉社区的极大关注。许多现有的基于gan的类解纠缠(无监督)方法，如InfoGAN及其变体，主要目的是最大化生成图像与其潜在代码之间的互信息(MI)。然而，这种关注可能会导致网络在具有相同的潜在类别因素时产生高度相似的图像，从而可能导致模式崩溃或模式下降。为了缓解这个问题，我们提出了CoDeGAN(生成对抗网络的对比解纠缠)，其中我们放松了从图像域到特征域的解纠缠的相似性约束。这种改进不仅提高了gan训练的稳定性，而且提高了gan的解纠缠能力。此外，我们将自监督预训练集成到CoDeGAN中以学习语义表示，大大促进了无监督解缠。广泛的实验结果证明了我们的方法在多个基准测试中优于最先进的方法。