GrubCutを使ってそこそこ背景除去ができたので、そのデータを使って画像生成にチャレンジしてみました。今回はGANではなくWasserstein AutoEncoderを使っています。 Adversarial AutoEncoder 当初、Adversarial AutoEncoderの利用を考えていました。これはAutoEncoderをGANのアプローチで実現するもので、一般的なAutoEncoderと異なり画像の特徴を特定の分布に従った潜在空間に埋め込むもので、VAEに近いものと理解しています。 参考: [Survey]Adversarial Autoencoders - Qiita Wasserstein AutoEncoderの符号化器は決定的ではなく確率的である方が潜在変数の次元数がデータの有効次元数と合わない場合でもうまく学習できる(元の論文の主張である生成がシャープになる利
![フレンズ画像を生成させてみたい - Wasserstein AutoEncoder - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/2775b05e8a65ef48b892465df4c9daaa4323a2a6/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9JUUzJTgzJTk1JUUzJTgzJUFDJUUzJTgzJUIzJUUzJTgyJUJBJUU3JTk0JUJCJUU1JTgzJThGJUUzJTgyJTkyJUU3JTk0JTlGJUU2JTg4JTkwJUUzJTgxJTk1JUUzJTgxJTlCJUUzJTgxJUE2JUUzJTgxJUJGJUUzJTgxJTlGJUUzJTgxJTg0JTIwLSUyMFdhc3NlcnN0ZWluJTIwQXV0b0VuY29kZXImdHh0LWFsaWduPWxlZnQlMkN0b3AmdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT01NiZzPWI1MmU1MjA1ZTYzMDk4MDk4NDMxNWM2YmU2MjdkYzg0%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBrbm9rJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9MzYmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz03NTEzMDIxYjYyNDdmNjkwZWYxYTBmYWZjZTE2N2JhYg%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3D80071cd51c9a2d76ccd47202878454fa)