判别器拒绝采样
机器学习
2019-02-27 v3 机器学习
摘要
我们提出一种利用 GAN 的判别器进行拒绝采样的方案,以近似修正 GAN 生成器分布中的误差。我们证明在相当严格的假设下,这将使我们能够精确恢复数据分布。随后我们考察这些严格假设在何处失效,并设计了一种可应用于真实数据集的实用算法——称为判别器拒绝采样(DRS)。最后,我们在高斯混合分布及 SAGAN 模型(本工作开发时图像生成任务中的最优模型)上展示了 DRS 的有效性。在 ImageNet 上,我们训练了一个改进基线,将 Inception Score 从 52.52 提升至 62.36,并将 Frechet Inception Distance 从 18.65 降至 14.79。随后我们使用 DRS 进一步改进该基线,将 Inception Score 提升至 76.08,FID 降至 13.75。
引用
@article{arxiv.1810.06758,
title = {Discriminator Rejection Sampling},
author = {Samaneh Azadi and Catherine Olsson and Trevor Darrell and Ian Goodfellow and Augustus Odena},
journal= {arXiv preprint arXiv:1810.06758},
year = {2019}
}
备注
Published as a conference paper at ICLR 2019