生成器知晓判别器在无条件GAN中应如何学习
计算机视觉与模式识别
2022-07-28 v1
摘要
近期条件图像生成方法受益于分割标签图等密集监督以实现高保真度。然而，将密集监督用于无条件图像生成却鲜有探索。本文探究了密集监督在无条件生成中的效用，发现生成器特征图可替代成本高昂的语义标签图。基于我们的经验证据，提出了一种新的生成器引导判别器正则化（GGDR），其中生成器特征图监督判别器在无条件生成中具备丰富的语义表示。具体而言，我们为判别器采用U-Net架构，训练其在给定假图像作为输入时预测生成器特征图。在多个数据集上的大量实验表明，我们的GGDR在定量与定性方面持续提升了基线方法的性能。代码见 https://github.com/naver-ai/GGDR
引用
@article{arxiv.2207.13320,
title = {Generator Knows What Discriminator Should Learn in Unconditional GANs},
author = {Gayoung Lee and Hyunsu Kim and Junho Kim and Seonghyeon Kim and Jung-Woo Ha and Yunjey Choi},
journal= {arXiv preprint arXiv:2207.13320},
year = {2022}
}
备注
Accepted to ECCV 2022. Our code is available at https://github.com/naver-ai/GGDR