[发明专利]对抗性策略的变分自编码模型

权利要求书

1.对抗性策略的变分自编码模型，其特征在于能够将传统的变分自编码模型和生成对抗网络的相关模块进行结合，既保留了变分自编码模型中的推理模型，又加入了生成对抗网络中的判别器模块。包括：模型建模模块、构建优化目标模块。

模型建模模块是在拥有推理模型和生成器模型的传统变分自编码模型中加入传统生成对抗网络的判别器模型，让模型能够不断学习并提升推理模型、生成器模型的推理能力和重构能力，从而提升生成图像的质量。

构建优化目标模块通过变分近似、正则化项转换为判别器模型的目标，来构建优化目标函数。

2.权利要求1所述的模型建模模块，特点是加入生成对抗网络中的判别器模型，对真实图像x与推理模型产生的隐变量z、真实图像x与先验分布采样的隐变量z、生成器网络生成的重构图像x与推理模型产生的隐变量z这三项进行判别。

本模型中假设真实图像为x，随机噪声为ε，先验分布p(z)采样的隐变量为z，真实图像x加入随机噪声ε经推理模型的近似后验概率产生的隐变量为z₁，隐变量z经生成器模型中的条件概率分布p_θ(x|z)产生的重构图像为x′，判别器模型用D来表示。

模型中具体变量值设置如下，x表示高维度真实图像，z和z₁均表示低维度的隐变量，随机噪声ε和隐变量z均从标准高斯分布中采样得到，即ε～N(0，1)，p(z)＝N(0，1)，p_θ(x|z)表示相应的条件概率分布。

3.构建优化目标模块，真实图像x来自于原始数据集p_D(x)，将真实图像x加入随机噪声后输入到推理模型中产生低维度隐变量z₁；将z₁输入到生成器网络中输出高维度重构图像x′；在先验分布p(z)中采样与z₁同维度的隐变量z。根据权利要求2，将三个组合型数据对儿同时输入到判别器网络中，三个数据对儿分别为(x，z₁)、(x，z)、(x′，z₁)。传统的变分自编码模型中的变分似然下界：

中等式右边两项分别称为重构误差项和正则化项。在不改变第一项的前提下，将正则化项用判别器网络函数进行改进：

根据相关证实得到判别器网络函数的最优化目标是正则化项的相反数：

所以根据变分自编码模型中最大化变分似然下界可以将推理模型和生成器模型的似然下界改为以下问题：

对于判别器模型，在输入到判别器网络中的三个数据对儿中，让最具有说服力的数据对儿(x，z₁)为正样本，另外两个数据对儿(x，z)、(x′，z₁)为负样本，以此来不断训练生成器模型的生成能力。由此得出鉴别器网络的损失函数，并将其最大化：