探索自监督生成对抗网络中的DeshuffleGANs
计算机视觉与模式识别
2021-09-02 v2
摘要
生成对抗网络（GANs）已成为解决图像生成问题最常用的网络。随后提出的自监督GAN旨在避免判别器的灾难性遗忘，并在无需类别标签的情况下提升图像生成质量。然而，自监督任务在不同GAN架构上的泛化性此前尚未被研究。为此，我们广泛分析了先前提出的自监督任务——DeshuffleGANs的去打乱（deshuffling）任务在泛化性背景下的贡献。我们将去打乱任务分配给两种不同的GAN判别器，并研究该任务对两种架构的影响。相较于先前提出的DeshuffleGANs，我们在多个数据集上扩展了评估。我们表明，与其他自监督GAN相比，DeshuffleGAN在多个数据集上获得了最佳的FID结果。此外，我们将去打乱与首次部署于GAN训练的旋转预测进行比较，并证明其贡献超过旋转预测。我们设计了称为cDeshuffleGAN的条件DeshuffleGAN，以评估所学表征的质量。最后，我们在损失景观上展示了自监督任务对GAN训练的贡献，并指出在某些设定下这些任务的效果可能并非与对抗训练协同。我们的代码可在 https://github.com/gulcinbaykal/DeshuffleGAN 找到。
引用
@article{arxiv.2011.01730,
title = {Exploring DeshuffleGANs in Self-Supervised Generative Adversarial Networks},
author = {Gulcin Baykal and Furkan Ozcelik and Gozde Unal},
journal= {arXiv preprint arXiv:2011.01730},
year = {2021}
}
备注
Accepted manuscript