关于GAN的部分论文梳理

参考论文： How Generative Adversarial Networks and Their Variants Work: An Overview（https://arxiv.org/pdf/1711.05914.pdf）

关于特征解缠

参考论文： Orthogonal Jacobian Regularization for Unsupervised Disentanglement in Image Generation（ICCV2021）
（https://arxiv.org/abs/2108.07668）

• 概念 在给定的数据集中，学习解开的特征表示，每一维度对应一个变异因子（FOV）的变化，且FOV之间相互独立，各自代表某一图像连续变换的特征。
• 适用领域 域适应、可控图像生成、图像处理。
• 相关工作 VAE相关（ β-VAE , FactorVAE, β-TCVAE等通过加强潜变量之间的独立性来解缠），GAN相关（ SeFa，Hessian Penalty）
• 正交雅可比正则化（OroJaR） 由于对网络输入的单个维度进行扰动时，其输出的变化是独立的。基于这一直觉，计算输出的雅可比矩阵，表示不同的潜在输入引起的变化，为使这些变化不相关，需约束雅可比矩阵每个维度的向量是正交的。
• 评价指标 PPL（感知路径长度），FID，VP（变化可预测性），其中FID是图像生成常用指标，表示生成图像分布与真实图像分布之间的距离，越小越好；PPL表示潜码空间质量，其度量值与形状的一致性与稳定性有关，越小越好；VP即变化可预测性，鼓励z的每一个维度引起的变化可区分，越大越好。
• 数据集 Edges+Shoes、CLEVR-Simple、CLEVR-Complex

下周计划

1. 阅读关于检测、分割的相关论文；
2. 阅读Latent Space Disentanglement相关论文。