从VAE的角度看,加上D使用decoder的图像质量更高。
从GAN的角度看,加上encoder,可以使学习有个目标,学习效果更稳定。

Encoder的目标:

  1. 最小化reconstructure error
  2. z to normal
    Decoder的目标:
  3. 最小化reconstructure error
  4. 难过D
    D的目标:
    区分是生成的Img还是reconstructed Img。

1. 训练步骤

  1. 初始化En, De, Dis
  2. 从database sample出M张图像,计做x
  3. z~=En(x)\tilde z = En(x)
  4. x~=De(z~)\tilde x = De(\tilde z)
  5. 从某个分布(例如正态分布)中sample出M个code向量,记做z
  6. x^=De(z)\hat x = De(z),此时有三种Img,分别是(2)database sample出来的(4)x经过auto-encoder重新生成的(6)decoder随机生成的
  7. 更新En的参数,目标:x~x||\tilde x -x ||\downarrow,KL(P(zx)P(z))(P(z|x)||P(z))\downarrow
  8. 更新De的参数,目标:x~x||\tilde x -x ||\downarrow,Dis(x~)(\tilde x)\uparrow,Dis(x^)(\hat x)\uparrow
  9. 更新Dis的参数,目标::x~x||\tilde x -x ||\uparrow,Dis(x~)(\tilde x)\uparrow,Dis(x^)(\hat x)\downarrow

results matching ""

    No results matching ""