[发明专利]通过潜在空间正则化对监督式生成对抗网络进行优化

权利要求书

1.一种训练生成对抗网络GAN的发生器G的方法，包括：

由编码器E接收目标数据Y；

由编码器E接收发生器G的输出G(Z)，

其中发生器G在接收作为噪声样本的随机样本Z后随即生成输出G(Z)，其中Z对应于输入的低分辨率图像，G(Z)对应于生成的高分辨率图像，

其中GAN的鉴别器D受到训练以区分G(Z)和目标数据Y两者中哪一个是

真实数据；

训练编码器E以最小化输出G(Z)的第一潜在空间表示E(G(Z))与目标数据Y的第二潜在空间表示E(Y)之间的差值，其中输出G(Z)和目标数据Y作为输入送至编码器E；

使用第一潜在空间表示E(G(Z))和第二潜在空间表示E(Y)来约束发生器G的训练；以及

应用利普希茨条件来训练发生器G，以使输出G(Z)和目标数据Y之间的第一差值不超过第一潜在空间表示E(G(Z))和第二潜在空间表示E(Y)之间的第二差值，

其中编码器E包含一个VGG网络。

2.根据权利要求1所述的方法，还包括：

通过对m个样本递减一个梯度来更新编码器E

其中m个样本包含从数据分布p(z)中选择的m个噪声样本{z₁,z₂,...,z_m}和m个对应的目标样本{y₁,y₂,...,y_m}，

其中是在给定编码器E的第一当前权重值θ_E和第一输入y_i时编码器E所得出的第一输出，

其中是在给定发生器G的第二当前权重值θ_G和第二输入z_i时发生器所得出的第二输出，

其中是在将编码器E的第一当前权重值θ_E和作为输入

时编码器E所得出的第三输出。

3.根据权利要求1所述的方法，其中目标数据Y对应于输出G(Z)。

4.根据权利要求1所述的方法，

其中编码器E是一个包含一个放大层的神经网络，并且

其中编码器E的输出E(G(Z))和E(Y)所具有的第一大小与Z的第二大小相等。

5.根据权利要求1所述的方法，其中随机样本Z是从分布p(z)中选出的值的多维向量。

6.根据权利要求2所述的方法，其中使用第一潜在空间表示E(G(Z))和第二潜在空间表示E(Y)来约束发生器G的训练包括：

通过对m个样本递减一个梯度来更新发生器G

其中θ_D,θ_G和θ_E分别是鉴别器D、发生器G和编码器E的权重，

其中是在输入为z_i时发生器G的输出，

其中当输入为时，和分别为鉴别器D和编码器E的输出，

其中是目标数据为y_i时编码器E的输出，并且

其中μ₁和μ₂是超参数。