群等变生成对抗网络
计算机视觉与模式识别
2021-04-01 v2 机器学习
图像与视频处理
摘要
生成对抗视觉合成的最新进展在自监督设置中结合了真实与伪造图像变换，从而提高了稳定性和感知保真度。然而，这些方法通常通过在GAN目标函数中添加额外的正则化项来实现图像增强，因此将宝贵的网络容量用于逼近变换等变性，而非其预期任务。在本工作中，我们通过群等变卷积网络，将归纳对称性先验显式地融入网络架构。群卷积在更少样本下具有更高的表达能力，并在生成器与判别器之间带来更好的梯度反馈。我们证明，群等变性能够与跨正则化项、架构和损失函数的近期GAN训练技术无缝集成。我们通过在对称成像数据集的有限数据条件下改进生成，证明了我们的方法在条件合成中的实用性，甚至发现其对具有偏好取向的自然图像也有益处。
引用
@article{arxiv.2005.01683,
title = {Group Equivariant Generative Adversarial Networks},
author = {Neel Dey and Antong Chen and Soheil Ghafurian},
journal= {arXiv preprint arXiv:2005.01683},
year = {2021}
}
备注
Accepted by the International Conference on Learning Representations (ICLR) 2021