通过矩阵分解探索 GAN 潜在空间中的语义变化
Exploring Semantic Variations in GAN Latent Spaces via Matrix Factorization
AI总结：
本文通过矩阵分解探索GAN潜在空间的语义变化，发现GANSpace方法虽能生成高质量图像操作但存在高度纠缠，用ICA替换PCA可提升操作质量与分离度，且GAN规模影响图像质量但不改变基本控制方向的存在。
摘要：
使用 GAN 进行受控数据生成是理想的，但由于其潜在空间的非线性和高维性而极具挑战。在这项工作中，我们探索了由 GANSpace（一种基于 PCA 的最先进方法）学习的图像操作。通过定量和定性评估，我们表明：(a) GANSpace 可产生广泛的高质量图像操作，但它们可能高度纠缠，限制了潜在的用例；(b) 用 ICA 替换 PCA 可提高操作的质量和分离度；(c) 生成图像的质量可能对 GAN 的规模敏感，但无论其复杂度如何，在其潜在空间中都可以观察到基本的控制方向。
英文摘要：
Controlled data generation with GANs is desirable but challenging due to the nonlinearity and high dimensionality of their latent spaces. In this work, we explore image manipulations learned by GANSpace, a state-of-the-art method based on PCA. Through quantitative and qualitative assessments we show: (a) GANSpace produces a wide range of high-quality image manipulations, but they can be highly entangled, limiting potential use cases; (b) Replacing PCA with ICA improves the quality and disentanglement of manipulations; (c) The quality of the generated images can be sensitive to the size of GANs, but regardless of their complexity, fundamental controlling directions can be observed in their latent spaces.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
