多样性敏感的条件生成对抗网络
机器学习
2019-01-28 v1 机器学习
摘要
我们提出一种简单而高效的方法，解决条件生成对抗网络（cGAN）中的模式崩溃问题。尽管条件分布在实践中是多模态的（即具有许多模式），大多数cGAN方法倾向于学习一个过度简化的分布，其中输入总是被映射到单一输出而不管潜码的变化。为解决此问题，我们提出显式正则化生成器以根据潜码产生多样输出。所提正则化简单、通用，且可轻松集成到大多数条件GAN目标中。此外，对生成器的显式正则化使我们的方法能控制视觉质量与多样性之间的平衡。我们在三个条件生成任务上展示了方法的有效性：图像到图像翻译、图像修复和未来视频预测。我们表明，将我们的正则化简单添加到现有模型上即带来令人惊讶的多样生成，大幅优于先前为每个单独任务专门设计的多模态条件生成方法。
引用
@article{arxiv.1901.09024,
title = {Diversity-Sensitive Conditional Generative Adversarial Networks},
author = {Dingdong Yang and Seunghoon Hong and Yunseok Jang and Tianchen Zhao and Honglak Lee},
journal= {arXiv preprint arXiv:1901.09024},
year = {2019}
}
备注
Accepted as a conference paper at ICLR 2019