基于噪声与扩散复合退火的生成对抗网络
机器学习
2022-08-02 v3 计算机视觉与模式识别
摘要
生成对抗网络（GAN）是利用一组真实样本生成伪造数据的框架。然而，GAN在训练阶段不稳定。为稳定GAN，噪声注入已被用于以增大方差为代价来扩大真实分布与伪造分布的重叠。扩散（或平滑）可能降低数据的内在潜在维度，但会抑制GAN在训练过程中学习高频信息的能力。基于这些观察，我们提出了一种用于GAN训练的数据表示，称为噪声尺度空间（NSS），它对数据递归地施加带平衡噪声的平滑，以用随机数据替换高频信息，从而实现GAN由粗到细的训练。我们在基于基准数据集的DCGAN和StyleGAN2上用NSS进行了实验，其中基于NSS的GAN在大多数情况下优于现有最优方法（SOTA）。
引用
@article{arxiv.2105.00220,
title = {Generative Adversarial Networks via a Composite Annealing of Noise and Diffusion},
author = {Kensuke Nakamura and Simon Korman and Byung-Woo Hong},
journal= {arXiv preprint arXiv:2105.00220},
year = {2022}
}