通过对抗训练改进的的自监督GAN
计算机视觉与模式识别
2019-05-15 v1 机器学习
摘要
我们提出通过用对抗过程训练自监督学习来改进无条件生成对抗网络（GAN）。具体地，我们通过输入图像的几何变换施加自监督学习，并为这些变换后的图像分配伪标签。（i）除区分数据（真实）与生成（伪造）样本的GAN任务外，我们训练判别器预测真实变换样本的正确伪标签（分类任务）。重要的是，我们发现同时训练判别器在分类任务中将伪造类从真实样本的伪类中分类出来，将改进判别器并进而更好地引导生成器训练。（ii）生成器试图不仅在GAN任务上而且在分类任务上混淆判别器。对于分类任务，生成器尝试混淆判别器将其输出的变换识别为某一真实变换类。特别地，我们利用当生成器创建出具有与真实样本相似损失（通过交叉熵）的样本时，训练更稳定且生成器分布更倾向于匹配数据分布。将我们的技术整合进最先进的基于自动编码器（AE）的GAN模型后，它们显著提升了模型性能，并在无条件GAN文献中为CIFAR-10与STL-10数据集确立了新的最先进弗雷歇初始距离（FID）分数。
引用
@article{arxiv.1905.05469,
title = {An Improved Self-supervised GAN via Adversarial Training},
author = {Ngoc-Trung Tran and Viet-Hung Tran and Ngoc-Bao Nguyen and Ngai-Man Cheung},
journal= {arXiv preprint arXiv:1905.05469},
year = {2019}
}