ContraGAN：用于条件图像生成的对比学习
计算机视觉与模式识别
2021-02-04 v3 机器学习
摘要
条件图像生成是利用类别标签信息生成多样图像的任务。尽管许多条件生成对抗网络（GAN）已展示出逼真结果，此类方法将图像嵌入与相应标签嵌入之间的关系（数据到类的关系）视为条件损失。本文中，我们提出 ContraGAN，其通过使用条件对比损失，同时考虑同一批次中多个图像嵌入之间的关系（数据到数据的关系）以及数据到类的关系。ContraGAN 的判别器判别给定样本的真伪，并最小化对比目标以学习训练图像间的关系。同时，生成器试图生成既欺骗真伪判断又具有低对比损失的逼真图像。实验结果表明，ContraGAN 在 Tiny ImageNet 与 ImageNet 数据集上分别比最先进模型高出 7.3% 与 7.7%。此外，我们通过实验证明对比学习有助于缓解判别器的过拟合。为公平比较，我们使用 PyTorch 库重新实现了十二种最先进 GAN。软件包可在 https://github.com/POSTECH-CVLab/PyTorch-StudioGAN 获取。
引用
@article{arxiv.2006.12681,
title = {ContraGAN: Contrastive Learning for Conditional Image Generation},
author = {Minguk Kang and Jaesik Park},
journal= {arXiv preprint arXiv:2006.12681},
year = {2021}
}
备注
34th Conference on Neural Information Processing Systems (NeurIPS 2020)