Deceive D：面向有限数据 GAN 训练的自适应伪增强
计算机视觉与模式识别
2021-11-15 v1 机器学习
摘要
生成对抗网络（GANs）通常需要充足数据训练以合成高保真图像。近期研究表明，由于判别器过拟合这一阻碍生成器收敛的根本原因，有限数据下训练 GAN 仍然艰巨。本文引入一种称为自适应伪增强（APA）的新策略，以鼓励生成器与判别器之间健康竞争。作为依赖标准数据增强或模型正则化的现有方法的替代，APA 通过利用生成器自身以生成图像增强真实数据分布来减轻过拟合，从而自适应地欺骗判别器。大量实验证明了 APA 在低数据情形下提升合成质量的有效性。我们提供理论分析以检验这一新训练策略的收敛性与合理性。APA 简单有效，可无缝添加至强大的现代 GAN（如 StyleGAN2），计算成本可忽略。
引用
@article{arxiv.2111.06849,
title = {Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited Data},
author = {Liming Jiang and Bo Dai and Wayne Wu and Chen Change Loy},
journal= {arXiv preprint arXiv:2111.06849},
year = {2021}
}
备注
NeurIPS 2021. Code: https://github.com/EndlessSora/DeceiveD Project page: https://www.mmlab-ntu.com/project/apa/index.html