要約
本論文では、時系列生成対抗ネットワーク（Temporal Generative Adversarial Nets, TGAN）という生成モデルを提案します。このモデルは、ラベルの付いていない動画の意味的な表現を学習し、動画を生成することができます。既存のGenerative Adversarial Nets (GAN)ベースの方法が3次元逆畳み込み層からなる単一のジェネレータで動画を生成するのとは異なり、当モデルでは2種類のジェネレータを使用しています：時系列ジェネレータと画像ジェネレータです。時系列ジェネレータは単一の潜在変数を受け取り、それぞれが動画内の画像フレームに対応する潜在変数のセットを出力します。画像ジェネレータはこのような潜在変数のセットを動画に変換します。このような高度なネットワークを持つGANの訓練における不安定性に対処するために、最近提案されたWasserstein GANモデルを採用し、エンドツーエンドで安定して訓練するための新しい手法を提案します。実験結果は、我々の手法の有効性を示しています。