隐空间分析
隐变量空间漫游
•
在latent space上walking，可以判断出模型是否是单纯在记住输入（如果生成图像过渡非常sharp），以及模式崩溃的方式
•
如果在latent space中walking导致生成图像的语义变化（例如添加或删除了对象），我们可以推断模型已经学习到了相关和有趣的表征
去除特定的对象
•
为了研究模型是如何对图像中的特定物体进行表征的，尝试从生成图像中把窗口进行移除
•
选出150个样本，手动标注了52个窗口的bounding box
•
在倒数第二层的conv layer features中，训练一个简单的逻辑回归模型，来判断一个feature activation是否在窗口中
•
使用这个模型，将所有值大于0的特征（总共200个），都从空间位置中移除
人脸样本上的矢量运算
•
vector(”King”) - vector(”Man”) +vector(”Woman”)的结果和向量Queen很接近
•
对单个样本进行操作的结果不是很稳定，而如果使用三个样本的平均值，结果就会好很多
总结展望
• 提出了一套更稳定的架构来训练生成对抗性网络
• 展示了对抗性网络可以很好的学习到图像的表征，并使用在监督学习和生成式的建模上
• 模式崩溃问题仍然存在
• 可以再延伸应用到其他领域，例如视频（做帧级的预测）和声频（用于语音合成的预训练特征）
• 可以对latent space进行更进一步的研究
