广泛的应用需要学习图像生成模型,其潜在空间有效地捕获数据分布中存在的变化的高级别因数。模型代表通过其潜在空间的这种变化的程度可以通过其在平滑图像之间插值的能力来判断。然而,在所生成的图像之前映射固定的大多数生成模型导致插值轨迹缺乏平滑度并且包含降低质量的图像。在这项工作中,我们提出了一种新的生成模型,该模型在插值轨迹之前学习灵活的非参数,调节在一对源图像和目标图像上。而不是依赖确定性的插值方法(例如潜伏空间中的线性或球形插值),我们设计了一种使用潜在二阶神经常规差分方程的两个给定图像之间的轨迹分布的框架。通过重建和对抗性损失的混合组合,发电机训练以从这些轨迹将采样点映射到现实图像的序列,该轨迹的序列是从源进入目标图像的平稳转换。通过综合定性和定量实验,我们展示了我们的方法在生成改进质量的图像方面的有效性以及对任何对任何对实际来源和目标图像的平滑插值轨迹学习多元化分布的能力。
translated by 谷歌翻译