条件GAN是否显式条件化？
计算机视觉与模式识别
2022-03-04 v3 人工智能
摘要
本文为条件生成对抗网络（cGANs）提出两项重要贡献，以改进广泛利用该架构的应用。第一项主要贡献是对cGANs的分析，表明它们并非显式条件化的。具体而言，将展示判别器以及随后的cGAN并不会自动学习输入之间的条件性。第二项贡献是一种称为反证cGAN（a contrario cGAN）的新方法，它通过一种新颖的反证损失对对抗架构两部分显式建模条件性，该损失涉及训练判别器学习无条件（对抗性）样本。这导致了一种针对GAN的新颖数据增强方法（反证学习），其允许使用对抗性样本将生成器的搜索空间限制为条件输出。我们进行了大量实验，通过提出概率分布分析来评估判别器的条件性。在不同应用上与cGAN架构的比较显示了在知名数据集上的显著性能提升，包括语义图像合成、图像分割、单目深度预测和“单标签”-到-图像，使用了不同度量包括Fréchet Inception Distance（FID）、平均交并比（mIoU）、对数均方根误差（RMSE log）和统计差异箱数（NDB）。
引用
@article{arxiv.2106.15011,
title = {Are conditional GANs explicitly conditional?},
author = {Houssem eddine Boulahbal and Adrian Voicila and Andrew Comport},
journal= {arXiv preprint arXiv:2106.15011},
year = {2022}
}
备注
Accepted at BMVC2021