DeLiGAN：面向多样且有限数据的生成对抗网络
计算机视觉与模式识别
2017-06-08 v1
摘要
一类近期用于生成图像的方法，称为生成对抗网络（GAN），已被用来生成令人印象深刻的逼真图像，包括物体、卧室、手写数字以及各种其他图像模态。然而，典型的基于GAN的方法需要大量的训练数据来捕捉图像模态中的多样性。在本文中，我们提出了DeLiGAN——一种新颖的基于GAN的架构，用于多样且有限的训练数据场景。在我们的方法中，我们将潜在生成空间重新参数化为一个混合模型，并与GAN的参数一起学习该混合模型的参数。这种对GAN框架看似简单的修改却出奇地有效，所得到的模型即使在有限数据训练下也能使生成的样本具有多样性。在我们的工作中，我们展示了DeLiGAN可以生成手写数字、物体和手绘草图的图像，所有这些都使用了有限的数据量。为了定量表征生成样本的类内多样性，我们还引入了一个修改版的“inception-score”，该度量已被发现与人类对生成样本的评估有很好的相关性。
引用
@article{arxiv.1706.02071,
title = {DeLiGAN : Generative Adversarial Networks for Diverse and Limited Data},
author = {Swaminathan Gurumurthy and Ravi Kiran Sarvadevabhatla and Venkatesh Babu Radhakrishnan},
journal= {arXiv preprint arXiv:1706.02071},
year = {2017}
}
备注
Accepted at CVPR-2017. Code for training the GAN models and computing modified inception-scores can be found at https://github.com/val-iisc/deligan