生成对抗网络（GAN） 作为经典生成模型，一方面已在高维数据（尤其是图像）生成领域取得了巨大成功，另一方面，在扩散模型的冲击下，探索和挖掘GAN的优势以及如何更好控制生成过程、解决训练不稳定的挑战成为GAN研究中亟待解决的问题。当前在GAN领域的主流工作主要聚焦于目标函数设计、训练技巧、网络设计等方面[1-3]，而作为影响生成的重要部分，人们对隐空间采样分布的研究更多地聚焦于特征解耦，因此如何通过隐空间编辑调整以更好把控和强化生成结果成为GAN研究中一个新的切入视角。

本文我们将介绍一项被NeurIPS’22会议接收的新工作，我们于该工作中提出了 AdvLatGAN 以通过基于对抗样本方法的隐空间编辑以更好控制生成过程和训练过程中的模型表现，该工作有幸入选今年NeurIPS的Spotlight展示（比例约5%）。

image.png

论文链接：https://openreview.net/pdf?id=Magl9CSHB87
代码链接：https://github.com/yangco-le/AdvLatGAN

内容中包含的图片若涉及版权问题，请及时与我们联系删除