DeshuffleGAN：一种用于改进结构学习的自监督 GAN
计算机视觉与模式识别
2020-10-09 v1
摘要
生成对抗网络（GANs）因其输出图像质量的提升以及向新方法扩展的通用性，引发了人们对图像生成问题的日益关注。众多基于 GAN 的工作试图通过架构和基于损失的扩展来改进生成。我们认为，在真实感和与原始数据分布的相似性方面提升 GAN 性能的一个关键点是使模型具备学习数据中空间结构的能力。为此，我们提出 DeshuffleGAN，通过自监督方法增强判别器与生成器的学习。具体而言，我们引入一个解打乱任务，该任务求解随机打乱图像块的拼图，进而帮助 DeshuffleGAN 学习提升其对空间结构与真实外观的表达能力。我们提供了相比于基线方法在生成图像性能提升上的实验证据，这在两个不同数据集上均一致观察到。
引用
@article{arxiv.2006.08694,
title = {DeshuffleGAN: A Self-Supervised GAN to Improve Structure Learning},
author = {Gulcin Baykal and Gozde Unal},
journal= {arXiv preprint arXiv:2006.08694},
year = {2020}
}
备注
Accepted at ICIP 2020