基于实例判别的数据高效实例生成
计算机视觉与模式识别
2021-06-09 v1
摘要
生成对抗网络（GANs）已显著推进图像合成，然而在训练数据有限时，合成质量会大幅下降。为提高 GAN 训练的数据效率，已有工作通常采用数据增强来缓解判别器的过拟合，但仍以二分类（即真与假）任务学习判别器。本文提出一种基于实例判别的数据高效实例生成（InsGen）方法。具体而言，除区分真实域与生成域外，判别器还需分辨每一幅图像，无论其来自训练集还是生成器。如此，判别器可受益于无限的合成样本进行训练，缓解因训练数据不足导致的过拟合问题。进一步引入噪声扰动策略以提升其判别能力。同时，判别器学到的实例判别能力反过来被用于鼓励生成器进行多样化生成。大量实验证明了该方法在多种数据集与训练设置下的有效性。值得注意的是，在 FFHQ 数据集 2K 训练图像的设置下，我们以 23.5% 的 FID 提升优于最先进方法。
引用
@article{arxiv.2106.04566,
title = {Data-Efficient Instance Generation from Instance Discrimination},
author = {Ceyuan Yang and Yujun Shen and Yinghao Xu and Bolei Zhou},
journal= {arXiv preprint arXiv:2106.04566},
year = {2021}
}
备注
Technical report