通过选择性数据匹配增强条件生成对抗网络训练的稳定性
机器学习
2024-09-20 v2 人工智能
摘要
条件生成对抗网络(cGANs)因其按类可控性及在复杂生成任务上的优越质量而取得了显著成功。典型的 cGANs 通过分解为两个更简单的子问题来求解联合分布匹配问题:边缘匹配与条件匹配。本文提出一种简单而有效的训练方法——选择性聚焦学习,它强制判别器与生成器快速学习每个类的简单样本,同时保持多样性。我们的核心思想是对每个小批量中的数据选择性地施加条件匹配与联合匹配。具体而言,我们首先使用判别器输出中条件项(真实样本与生成样本)进行排序,选出得分最高的样本;随后仅对所选样本使用条件匹配、对其余样本使用联合匹配来优化模型。根据我们的玩具实验,由于判别器的内容感知优化,对特定样本仅施加条件匹配效果最佳。我们在 ImageNet(64x64 与 128x128)、CIFAR-10、CIFAR-100 数据集以及高斯混合、带噪标签设定上进行了实验,结果表明所提方法在 10 次独立试验中可大幅改善所有指标(就 FID 而言最高达 35.18%)。代码见 https://github.com/pnu-cvsp/Enhancing-Stability-in-Training-Conditional-GAN-via-Selective-Data-Matching。
引用
@article{arxiv.2107.08792,
title = {Enhancing Stability in Training Conditional Generative Adversarial Networks via Selective Data Matching},
author = {Kyeongbo Kong and Kyunghun Kim and Suk-Ju Kang},
journal= {arXiv preprint arXiv:2107.08792},
year = {2024}
}
备注
13 pages, IEEE Access (2024)