以更少标签实现高保真图像生成
机器学习
2019-05-15 v2 计算机视觉与模式识别
机器学习
摘要
深度生成模型正成为现代机器学习的基石。近期关于条件生成对抗网络的研究表明，学习自然图像上复杂的高维分布已可及。尽管最新模型能够以高分辨率生成高保真、多样的自然图像，它们依赖于海量标注数据。本工作中，我们展示如何借助近期自监督与半监督学习的进展，在无监督 ImageNet 合成以及条件设定下均超越当前最优水平。具体而言，所提方法仅使用 10% 的标签即可在 ImageNet 上匹配当前最优条件模型 BigGAN 的采样质量(以 FID 衡量)，并使用 20% 的标签超越该模型。
引用
@article{arxiv.1903.02271,
title = {High-Fidelity Image Generation With Fewer Labels},
author = {Mario Lucic and Michael Tschannen and Marvin Ritter and Xiaohua Zhai and Olivier Bachem and Sylvain Gelly},
journal= {arXiv preprint arXiv:1903.02271},
year = {2019}
}
备注
Mario Lucic, Michael Tschannen, and Marvin Ritter contributed equally to this work. ICML 2019 camera-ready version. Code available at https://github.com/google/compare_gan