简介

简介：提出一种新的MMGAN架构，使用常见生成器分布的混合对每个数据分布进行建模。由于生成器在多个真实数据分布之间共享，高度共享的生成器（通过混合权重反映）捕获分布的公共方面，而非共享的生成器捕获独特方面。

论文题目：MIXED MEMBERSHIP GENERATIVE ADVERSARIAL NETWORKS（混合成员生成对抗网络）

会议：IEEE International Conference on Image Processing (ICIP)

摘要：GAN被设计为学习单个分布，尽管多个分布可以通过单独处理来建模。 然而，这个简单的实现没有考虑重叠分布。 我们提出了混合成员生成对抗网络（MMGAN），类似于混合成员模型，该模型模拟多个分布并发现