条件迁移特征：以少30%高质量数据训练将GAN扩展至数千类
计算机视觉与模式识别
2019-09-26 v1 图像与视频处理
摘要
生成对抗网络（GAN）极大提升了无监督图像生成的质量。以往的基于GAN的方法常需要大量高质量训练数据，而仅生成少量（如数十个）类别。本文旨在将GAN扩展至数千类，同时减少训练中对高质量数据的使用。我们提出一种基于条件迁移特征的图像生成方法，可捕捉将低质量图像转换为高质量图像时的像素级语义变化。此外，自监督学习被集成到我们的GAN架构中，以从训练数据提供更多的无标签语义监督信息。因此，训练我们的GAN架构仅需少得多的高质量图像以及少量额外的低质量图像。在CIFAR-10和STL-10上的实验表明，即使从训练集中移除30%的高质量图像，我们的方法仍优于以往方法。在目标类别上的可扩展性已通过实验验证：我们的方法在少30%高质量图像的情况下，在生成1,000个ImageNet类别以及生成全部3,755个CASIA-HWDB1.0汉字手写字符时均取得最佳质量。
引用
@article{arxiv.1909.11308,
title = {Conditional Transferring Features: Scaling GANs to Thousands of Classes with 30% Less High-quality Data for Training},
author = {Chunpeng Wu and Wei Wen and Yiran Chen and Hai Li},
journal= {arXiv preprint arXiv:1909.11308},
year = {2019}
}