带辅助判别分类器的条件GAN
机器学习
2022-06-20 v5 计算机视觉与模式识别
摘要
条件生成模型旨在学习数据与标签的潜在联合分布以实现条件数据生成。其中，辅助分类器生成对抗网络（AC-GAN）已被广泛使用，但存在生成样本类内多样性低的问题。本文指出的根本原因是AC-GAN的分类器与生成器无关，因而无法为生成器逼近联合分布提供有信息量的指导，导致条件熵最小化从而降低类内多样性。受此认识的启发，我们提出一种新颖的带辅助判别分类器的条件GAN（ADC-GAN）以解决上述问题。具体而言，所提出的辅助判别分类器通过判别地识别真实数据与生成数据的类标签而变得与生成器相关。我们的理论分析表明，即便没有原始判别器，生成器也能忠实地学习联合分布，使得所提出的ADC-GAN对系数超参数的值和GAN损失的选择具有鲁棒性，且在训练时稳定。在合成与真实世界数据集上的大量实验结果证明了ADC-GAN相对于最先进的基于分类器和基于投影的条件GAN在条件生成建模上的优越性。
引用
@article{arxiv.2107.10060,
title = {Conditional GANs with Auxiliary Discriminative Classifier},
author = {Liang Hou and Qi Cao and Huawei Shen and Siyuan Pan and Xiaoshuang Li and Xueqi Cheng},
journal= {arXiv preprint arXiv:2107.10060},
year = {2022}
}
备注
ICML 2022