高分辨率深度卷积生成对抗网络
计算机视觉与模式识别
2020-04-20 v9
摘要
生成对抗网络（GANs）[Goodfellow et al. 2014] 在受 GPU 内存容量计算约束的高分辨率设定下，由于已知的收敛速率稳定性缺乏，其收敛一直饱受困难。为促进 DCGAN（深度卷积生成对抗网络）[Radford et al. 2016] 的网络收敛并获得美观的高分辨率结果，我们提出了一种新分层网络 HDCGAN，其融合了当前最先进的相关技术。同时给出 Glasses 机制，通过望远镜 {\zeta} 放大输入尺寸来任意改善最终 GAN 生成结果。我们引入了一个新颖的无偏数据集 Curtó & Zarza，包含来自不同族群、在多种光照条件和图像分辨率下的人脸。Curtó 经 HDCGAN 合成图像增强，从而成为首个 GAN 增强的人脸数据集。我们在 CelebA [Liu et al. 2015]、CelebA-hq [Karras et al. 2018] 和 Curtó 上进行了广泛实验。HDCGAN 是当前 CelebA 上合成图像生成的 state-of-the-art（SOTA，最优），取得了 0.1978 的 MS-SSIM 和 8.44 的 FRÉCHET Inception Distance。
引用
@article{arxiv.1711.06491,
title = {High-resolution Deep Convolutional Generative Adversarial Networks},
author = {J. D. Curtó and I. C. Zarza and Fernando de la Torre and Irwin King and Michael R. Lyu},
journal= {arXiv preprint arXiv:1711.06491},
year = {2020}
}