用于图像生成的生成式卷积层
计算机视觉与模式识别
2022-05-19 v1
摘要
本文介绍了一种新颖的卷积方法，称为生成式卷积（GConv），它简单而有效地提升了生成对抗网络（GAN）的性能。与标准卷积不同，GConv 首先选择与给定潜向量兼容的有用核，然后线性组合所选核以生成潜特定核。利用潜特定核，所提方法产生潜特定特征，促使生成器生成高质量图像。该方法简单却出奇有效。首先，GAN 性能以极小的额外硬件成本得到显著提升。其次，GConv 可用于现有最先进的生成器而无需修改网络架构。为揭示 GConv 的优越性，本文使用包括 CIFAR-10、CIFAR-100、LSUN-Church、CelebA 和 tiny-ImageNet 在内的各种标准数据集进行了大量实验。定量评估证明，GConv 在 Inception score（IS）和 Frechet inception distance（FID）方面显著提升了无条件与条件 GAN 的性能。例如，所提方法在 tiny-ImageNet 数据集上将 FID 和 IS 分数分别从 35.13 提升至 29.76、从 20.23 提升至 22.64。
引用
@article{arxiv.2111.15171,
title = {Generative Convolution Layer for Image Generation},
author = {Seung Park and Yong-Goo Shin},
journal= {arXiv preprint arXiv:2111.15171},
year = {2022}
}
备注
Submitted to Neural Networks