基于一对全分类器的条件图像生成
计算机视觉与模式识别
2020-09-21 v1
摘要
本文基于生成对抗网络（GANs）探索使用一对全（One-Vs-All）分类器的条件图像生成。不同于原始GAN中使用的真/假判别器，我们提出将判别器扩展为能够区分每个输入数据所属类别标签的一对全分类器（GAN-OVA）。具体而言，我们将某些附加信息作为条件输入生成器，并将判别器作为一对全分类器来识别各个条件类别。我们的模型可应用于用于定义目标函数的不同散度或距离，例如 Jensen-Shannon 散度和 Earth-Mover（或称 Wasserstein-1）距离。我们在 MNIST 和 CelebA-HQ 数据集上评估了 GAN-OVA，实验结果表明 GAN-OVA 相较于常规条件 GAN 在训练稳定性上取得了进展。此外，GAN-OVA 有效加速了不同类别的生成过程并提升了生成质量。
引用
@article{arxiv.2009.08688,
title = {Conditional Image Generation with One-Vs-All Classifier},
author = {Xiangrui Xu and Yaqin Li and Cao Yuan},
journal= {arXiv preprint arXiv:2009.08688},
year = {2020}
}