摘要

在人工神经网络中，可逆性使得我们能够根据输出结果恢复输入信息。本文提出了一种名为“特征对齐”（feature alignment）的方法，用于近似任意神经网络的可逆性。该方法通过最小化数据点输出与随机输入所生成的随机输出之间的距离来训练网络。我们将该技术应用于MNIST、CIFAR-10、CelebA和STL-10等图像数据集。实验结果表明，仅凭潜在表示（latent representation）即可大致恢复原始图像，而无需依赖解码器。借助变分自编码器（variational autoencoders）的框架，我们进一步证明了生成与训练数据在统计特性上具有可比性的新图像是可行的。此外，通过将生成器与判别器联合使用，我们展示了图像质量可进一步提升。最后，我们还说明，只需对方法进行少量调整，即可将其应用于本地化网络训练，从而具有显著节省计算内存资源的潜力。