特征量化改进 GAN 训练
机器学习
2020-07-16 v2 计算机视觉与模式识别
机器学习
摘要
尽管有显著的研究努力，GAN 训练中的不稳定性一直是一个长期存在的问题。我们确认不稳定问题源于使用小批量统计量进行特征匹配的困难，这是由于固定目标分布与逐步生成分布之间脆弱的平衡所致。在这项工作中，我们为判别器提出特征量化（FQ），以将真实和生成的数据样本嵌入到共享的离散空间中。FQ 的量化值被构建为一个演化的字典，其与近期分布历史的特征统计量一致。因此，FQ 隐式地在紧凑空间中实现了鲁棒的特征匹配。我们的方法可以轻松插入现有的 GAN 模型，训练计算开销很小。我们将 FQ 应用于 9 个基准上的 3 个代表性 GAN 模型：用于图像生成的 BigGAN、用于人脸合成的 StyleGAN，以及用于无监督图像到图像翻译的 U-GAT-IT。大量实验结果表明，所提出的 FQ-GAN 能在多种任务上大幅改善基线方法的 FID 分数，取得新的最先进性能。
引用
@article{arxiv.2004.02088,
title = {Feature Quantization Improves GAN Training},
author = {Yang Zhao and Chunyuan Li and Ping Yu and Jianfeng Gao and Changyou Chen},
journal= {arXiv preprint arXiv:2004.02088},
year = {2020}
}
备注
The first two authors contributed equally to this manuscript. ICML 2020. Code: https://github.com/YangNaruto/FQ-GAN