BSD-GAN：用于尺度解耦表示学习与图像合成的分支生成对抗网络
计算机视觉与模式识别
2020-08-05 v5
摘要
我们引入了 BSD-GAN，一种新颖的多分支和尺度解耦训练方法，使无条件生成对抗网络（GAN）能够学习多尺度图像表示，有利于广泛的生成和编辑任务。BSD-GAN 的关键特征在于其多分支训练，随着训练图像分辨率的增加以展现更精细尺度的特征，逐步覆盖网络的广度和深度。具体而言，作为 BSD-GAN 生成器网络输入的每个噪声向量被刻意拆分为若干子向量，每个子向量对应并训练学习特定尺度的图像表示。在训练过程中，随着采用一组新的高分辨率图像进行训练并添加更多网络层，我们逐步“解冻”这些子向量，每次一个。这种显式子向量指定的一个结果是，我们可以直接操作甚至组合建模不同特征尺度的潜在（子向量）代码。大量实验证明了我们的训练方法在图像表示的尺度解耦学习和新图像内容合成方面的有效性，且无需任何额外标签，也不损害合成高分辨率图像的质量。我们进一步展示了由 BSD-GAN 实现或改进的若干图像生成和操作应用。源代码可在 https://github.com/duxingren14/BSD-GAN 获取。
引用
@article{arxiv.1803.08467,
title = {BSD-GAN: Branched Generative Adversarial Network for Scale-Disentangled Representation Learning and Image Synthesis},
author = {Zili Yi and Zhiqin Chen and Hao Cai and Wendong Mao and Minglun Gong and Hao Zhang},
journal= {arXiv preprint arXiv:1803.08467},
year = {2020}
}
备注
12 pages, 20 figures, accepted to IEEE Transaction on Image Processing