由条件化导致的崩溃：有限数据下类别条件GAN的训练
计算机视觉与模式识别
2022-03-17 v2 人工智能
摘要
类别条件化提供了一种基于离散输入变量直接控制生成对抗网络（GAN）的手段。尽管在许多应用中必不可少，但类别标签所提供的额外信息甚至有望有益于GAN自身的训练。相反，我们观察到在有限数据设定下，类别条件化会导致模式崩溃，而无条件学习却能带来令人满意的生成能力。受此观察启发，我们提出了一种用于类别条件GAN（cGAN）的训练策略，通过利用无条件学习有效防止所观察到的模式崩溃。我们的训练策略从一个无条件GAN开始，逐步将类别条件注入生成器和目标函数中。所提出的有限数据下cGAN训练方法不仅实现了稳定训练，还得益于早期阶段对跨类别共享信息的利用，生成了高质量图像。我们在四个数据集上的综合实验中分析了所观察到的模式崩溃问题。与最先进的方法和已有基线相比，我们的方法展现出卓越的结果。代码见 https://github.com/mshahbazi72/transitional-cGAN
引用
@article{arxiv.2201.06578,
title = {Collapse by Conditioning: Training Class-conditional GANs with Limited Data},
author = {Mohamad Shahbazi and Martin Danelljan and Danda Pani Paudel and Luc Van Gool},
journal= {arXiv preprint arXiv:2201.06578},
year = {2022}
}