HGAN:混合生成对抗网络
计算机视觉与模式识别
2021-02-09 v1 机器学习
摘要
本文提出一种训练生成对抗网络(GANs)的简单方法,以避免 mode collapse(模式崩溃)问题。诸如 GANs 的隐式模型相较于在可处理数据似然上训练显式模型往往能生成更好的样本。然而,GANs 忽略了显式数据密度特征,导致不理想的定量评估和模式崩溃。为弥补这一差距,我们提出一种混合生成对抗网络(HGAN),可通过自回归模型强制数据密度估计,并以联合训练方式同时支持对抗和似然框架,从而使估计密度多样化以覆盖不同模式。我们提议使用对抗网络将知识从自回归模型(教师)迁移到 GAN 模型的生成器(学生)。在 GAN 公式内开发了一种新颖的深度架构,以对抗方式蒸馏自回归模型信息,并辅以简单 GAN 训练方法。我们在真实世界数据集(即 MNIST、CIFAR-10、STL-10)上进行了大量实验,以证明所提 HGAN 在定性和定量评估下的有效性。实验结果显示了我们的方法相较于基线的优越性和竞争力。
引用
@article{arxiv.2102.03710,
title = {HGAN: Hybrid Generative Adversarial Network},
author = {Seyed Mehdi Iranmanesh and Nasser M. Nasrabadi},
journal= {arXiv preprint arXiv:2102.03710},
year = {2021}
}