12月3日晚7点，中科院计算所博士（京东DMT)何振梁将带来「生成对抗网络GAN专题讲座」第3讲的直播讲解，主题为《GAN的层次化可解释维度学习》。

如今，GAN不仅能画出二次元妹子，还能精准调节五官、表情、姿势和绘画风格。如果想要更好的操控GAN，就需要正确识别GAN生成器不同层的语义信息。

现有一些基于监督学习的方法，通常需要对大量的潜在编码进行随机采样，然后合成大量图像，并使用一些预定义的标签对其进行注释，最后使用这些标记样本来学习潜在空间中的分离边界，但这种对GAN生成图片进行大量标注的方法，既耗时又耗力，而生成器中的训练仍然作为一个黑盒运行，缺乏直接控制不同层的信息。那如何直接研究GAN的生成机制以解释其内部的特征表示呢？

在本次讲座中，何振梁博士等人提出了一个无监督挖掘生成器不同层可解释语义信息的EigenGAN模型。它通过将一个具有正交基的线性子空间嵌入到每个生成器层中，利用训练来学习目标的特征分布。这些逐层子空间会在每一层自动发现一组特征维度，最后通过遍历所有特定特征维度，生成器可产生与特定语义属性相对应的连续变化的样本。

关于GAN的可解释性学习的更多信息可以参考刘博的论文《EigenGAN: Layer-Wise Eigen-Learning for GANs》，论文链接：https://arxiv.org/pdf/2104.12476.pdf。

何振梁是中科院计算所博士（京东DMT），研究方向包括生成对抗网络、人脸属性编辑、人脸关键点定位。他的相关工作发表于T-IP、ICCV等国际顶级期刊和会议，并在开源社区GitHub维护21个项目，总共获得2000余Star，被Fork 600余次。

本次讲座将在智东西公开课知识店铺进行，包含主讲和问答两个部分，其中主讲环节40分钟，问答环节20分钟。本次讲座已组建交流群，并邀请何振梁博士加入，欢迎感兴趣的朋友申请。

主题

GAN的层次化可解释维度学习

提纲

1、线性子空间模型简介
2、生成器的层次化语义
3、EigenGAN：层次化子空间嵌入的可解释性学习方法

讲师介绍

何振梁，中科院计算所博士（京东DMT）；研究方向包括生成对抗网络、人脸属性编辑、人脸关键点定位，相关工作发表于T-IP、ICCV等国际顶级期刊和会议；谷歌学术引用达500余次，代表作AttGAN被引用300余次；在开源社区GitHub维护21个项目，总共获得2000余Star，被Fork 600余次。

课程信息

直播时间：12月3日19：00
直播地点：智东西公开课知识店铺