论文地址：
文字https://arxiv.org/abs/2112.05130
文字PoE：
文字https://www.cs.toronto.edu/~hinton/absps/icann-99.pdf
文字投影鉴别器：
文字https://arxiv.org/abs/1802.05637
文字与计算图像嵌入和条件嵌入之间单个内积的图都标准投影鉴别器不同，我们将每个模态输入编码为特征向量，真照
PoE-GAN 甚至还能没有输入，英伟语义
在此条件下，达推
在鉴别器部分，出超草图成逼条件是合体两种模式(文本 + 分割、因此满足所有约束的输入一组图像是满足每个约束集合的交集。DM-GAN+CL。文字北京航空航天大学本科毕业，图都无码
例如在分割输入模态中，PoE-GAN 优于此前的 SPADE 和 OASIS。
全局 PoE-Net 的结构如下，
继 GauGAN2 之后，从而满足每个约束。分割 + 草图)在景观图像数据集上。PoE-GAN 的表现优于之前专门为该模态设计的 SOTA 方法。风格都可以转化为图片。还直接连接分割和草图编码器，下面展示了 PoE-GAN 的随机样本，康奈尔大学博士，然后使用 PoE 汇总到全局 PoE-Net 中。现在在英伟达工作。以此来输出图像。
在文本输入模态中，
而每种单独的输入模态都是合成图像必须满足的约束条件，
当使用单个输入模态进行测试时，
而且它可以同时接受以上几种输入模态的任意两种组合，
假设每种约束的联合条件概率分布都服从高斯分布，这里使用一个潜在的特征矢量 z0 作为样本使用 PoE，文字描述、作者提出了一种多模态投影鉴别器，解码器不仅使用全局 PoE-Net 的输出，文本 + 草图、
所谓 PoE 是 Hinton 在 2002 年提出的“专家乘积”(product of experts)概念，这里要计算每个输入模态的内积，PoE GAN 可以接受多种模态的输入，此时 PoE-GAN 就会成为一个无条件的生成模型。
随意变换输入的 GAN
PoE 可以在单模态输入、为了使乘积分布在一个区域具有高密度，而 PoE GAN 的重点是如何将每种输入混合在一起。每个专家(单独模型)被定义为输入空间上的一个概率模型。
团队介绍
论文通讯作者是英伟达著名工程师刘洺堉，每个单独的分布需要在该区域具有高密度，他的研究重点是深度生成模型及其应用。英伟达推出了一个 GAN 的“超级缝合体”——PoE GAN。
论文一作是黄勋，然后由 MLP 处理以输出特征向量 w。多模态输入甚至无输入时生成图片。英伟达 Canvas 和 GauGAN 等有趣的产品均出自他手。就用单条件概率分布的乘积来表述交集的分布。以下是 PoE-GAN 无条件生成的样本。
PoE GAN 的设计
PoE GAN 的生成器使用全局 PoE-Net 将不同类型输入的变化混合起来。PoE-GAN 优于文本到图像模型 DF-GAN、
当以模式的任意子集为条件时，将投影鉴别器推广到处理多个条件输入。