基于Resnet的生成对抗网络用于条件图像复原
计算机视觉与模式识别
2017-07-18 v1
摘要
生成对抗网络(GANs)推动对抗博弈以逼近复杂联合样本概率。由噪声驱动的网络生成伪样本以逼近真实数据分布。后来条件GAN将先验条件作为融入输入，以将属性向量转移到对应数据。然而，CGAN并非设计用于处理高维条件，因为学习的间接引导效率低。本文提出一种网络ResGAN，用于根据极度退化的图像生成精细图像。与属性对齐的粗图像被嵌入作为生成器输入和分类器标签。在生成网络中，一条类似于Resnet的直连路径被连贯地用于直接将粗图像传递到更高层。并且对抗训练被循环实施以防止生成图像的退化。将ResGAN应用于数据集MNIST、CIFAR10/100和CELEBA的实验结果表明其相对于最先进GANs具有更高精度。
引用
@article{arxiv.1707.04881,
title = {Generative Adversarial Network based on Resnet for Conditional Image Restoration},
author = {Meng Wang and Huafeng Li and Fang Li},
journal= {arXiv preprint arXiv:1707.04881},
year = {2017}
}
备注
6 pages, 15 figures, conference