连续条件生成对抗网络：新的经验损失与标签输入机制
计算机视觉与模式识别
2023-10-31 v9 机器学习
机器学习
摘要
本文提出了连续条件生成对抗网络（CcGAN），这是首个以连续标量条件（称为回归标签）为条件进行图像生成的生成模型。现有的条件 GAN（cGAN）主要设计用于类别条件（如类标签）；以回归标签为条件在数学上截然不同，并引发两个基本问题：（P1）由于某些回归标签对应的真实图像可能极少（甚至为零），最小化现有的经验版 cGAN 损失（亦称经验 cGAN 损失）在实践中常常失败；（P2）由于回归标签为标量且无穷多，传统的标签输入方法不适用。所提出的 CcGAN 分别通过以下方式解决上述问题：（S1）重构现有的经验 cGAN 损失以适配连续场景；以及（S2）提出朴素标签输入（NLI）方法与改进标签输入（ILI）方法，将回归标签融入生成器与判别器。步骤（S1）中的重构导出了两种新的经验判别器损失，分别称为硬邻域判别器损失（HVDL）与软邻域判别器损失（SVDL），以及一种新的经验生成器损失。本文在温和假设下推导了用 HVDL 与 SVDL 训练的判别器的误差界。还针对该连续场景提出了两个新基准数据集（RC-49 与 Cell-200）以及一种新评价指标（滑动 Fréchet Inception Distance）。我们在 Circular 2-D Gaussians、RC-49、UTKFace、Cell-200 与 Steering Angle 数据集上的实验表明，CcGAN 能够基于给定回归标签从图像分布中生成多样且高质量的样本。此外，在这些实验中，CcGAN 在视觉与定量上均大幅优于 cGAN。
引用
@article{arxiv.2011.07466,
title = {Continuous Conditional Generative Adversarial Networks: Novel Empirical Losses and Label Input Mechanisms},
author = {Xin Ding and Yongwei Wang and Zuheng Xu and William J. Welch and Z. Jane Wang},
journal= {arXiv preprint arXiv:2011.07466},
year = {2023}
}
备注
Accepted by IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE