面向多样数据集的高斯混合生成对抗网络及图像无监督聚类

生成对抗网络（GANs）已被证明能以显著成功生成逼真合成图像，但当训练集高度多样时其表现似乎不那么令人印象深刻。为使模型在数据集包含许多不同类别时更好地拟合目标数据分布，我们提出一种基础 GAN 模型的变体，称为高斯混合 GAN（GM-GAN），其中潜空间上的概率分布为高斯混合。我们还提出一种能够进行条件样本合成的有监督变体。为评估模型性能，我们提出一种新的评分方法，其分别考量两个（通常冲突的）度量——生成数据的多样性 vs. 质量。通过一系列使用合成与真实世界数据集的实证实验，我们定量表明 GM-GAN 优于基线，无论使用常用的 Inception Score 还是使用我们自有的替代评分方法评估皆然。此外，我们定性展示 GM-GAN 的\textit{无监督}变体倾向于将潜空间中取自不同高斯的潜向量映射到数据空间中不同类别的样本。我们展示如何利用该现象于无监督聚类任务，并提供定量评估表明我们的方法在无监督图像数据集聚类上的优越性。最后，我们展示一个进一步使我们的模型区别于其他 GAN 模型的特征：通过训练后改变潜空间的概率分布来控制质量-多样性权衡的选项。这允许根据需求采样更高质量更低多样性的样本，或反之。