协调最大似然与GAN以实现多模态条件生成
机器学习
2019-02-26 v1 机器学习
摘要
近期在图像到图像翻译和图像修复等条件图像生成任务上的进展，很大程度上归功于条件 GAN 模型的成功，这类模型通常通过联合使用 GAN 损失与重建损失进行优化。然而，我们揭示这一被几乎所有现有方法共享的训练策略会导致一个关键副作用：输出样本缺乏多样性。为了同时实现训练稳定性与多模态输出生成，我们提出了一种新颖的训练方案，其采用一组称为矩重建损失的新损失来简单替代重建损失。我们通过在城市景观（Cityscapes）与 CelebA 数据集上针对图像到图像翻译、超分辨率和图像修复进行充分实验，表明我们的方法适用于任意条件生成任务。定量评估也证实，我们的方法在保持甚至提升生成样本视觉保真度的同时，实现了输出的高度多样性。
引用
@article{arxiv.1902.09225,
title = {Harmonizing Maximum Likelihood with GANs for Multimodal Conditional Generation},
author = {Soochan Lee and Junsoo Ha and Gunhee Kim},
journal= {arXiv preprint arXiv:1902.09225},
year = {2019}
}
备注
Accepted as a conference paper at ICLR 2019