基于泛化界理论改进多尺度 GAN 的自适应对抗训练方法
计算机视觉与模式识别
2022-12-01 v1 机器学习
图像与视频处理
摘要
近年来，多尺度生成对抗网络（GAN）被提出以基于单样本构建通用图像处理模型。受样本量限制，多尺度 GAN 很难收敛到全局最优，最终导致其能力受限。本文首创性地将 PAC-Bayes 泛化界理论引入不同对抗训练方法下特定模型的训练分析，从而可获得指定多尺度 GAN 结构泛化误差的非平凡上界。基于我们发现的不同对抗攻击与不同训练状态下泛化误差界的剧烈变化，提出了一种自适应训练方法，能大幅提升多尺度 GAN 的图像操控能力。最终实验结果表明，本文的自适应训练方法对多尺度 GAN 在若干图像操控任务上生成图像质量的提升贡献显著。特别是在图像超分辨率复原任务中，由所提方法训练的多尺度 GAN 模型在自然图像质量评价器（NIQE）上降低 100%、均方根误差（RMSE）上降低 60%，优于许多在大规模数据集上训练的模型。
引用
@article{arxiv.2211.16791,
title = {Adaptive adversarial training method for improving multi-scale GAN based on generalization bound theory},
author = {Jing Tang and Bo Tao and Zeyu Gong and Zhouping Yin},
journal= {arXiv preprint arXiv:2211.16791},
year = {2022}
}