GIU-GANs：面向生成对抗网络的全局信息利用
机器学习
2022-03-16 v2
摘要
近年来，随着人工智能的快速发展，基于深度学习的图像生成取得了巨大进展。基于生成对抗网络（GANs）的图像生成是一项有前景的研究。然而，由于卷积受限于空间无关与通道特定，传统基于卷积的 GANs 所提取的特征受限。因此，GANs 无法捕捉每张图像中更多的细节。另一方面，直接堆叠卷积会导致 GANs 中参数与层数过多，从而带来较高的过拟合风险。为克服上述局限，本文提出一种称为逆卷积生成对抗网络（GIU-GANs）的新 GANs。GIU-GANs 利用一个名为全局信息利用（GIU）模块的全新模块，其整合了压缩激励网络（SENet）与 involution，通过通道注意力机制聚焦于全局信息，从而提升生成图像的质量。同时，批归一化（BN）不可避免地忽略生成器所采样噪声间的表示差异，进而降低生成图像质量。因此我们针对该问题将代表性批归一化（RBN）引入 GANs 架构。采用 CIFAR-10 与 CelebA 数据集证明了我们所提模型的有效性。大量实验证明我们的模型取得了最先进的竞争性能。
引用
@article{arxiv.2201.10471,
title = {GIU-GANs: Global Information Utilization for Generative Adversarial Networks},
author = {Yongqi Tian and Xueyuan Gong and Jialin Tang and Binghua Su and Xiaoxiang Liu and Xinyuan Zhang},
journal= {arXiv preprint arXiv:2201.10471},
year = {2022}
}