用于 GAN 训练的图像增强方法
机器学习
2020-06-05 v1 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
数据增强已被广泛研究以提高分类器的准确率和鲁棒性。然而，以往研究尚未深入探讨图像增强在改进用于图像合成的 GAN 模型方面的潜力。在本工作中，我们系统地研究了各种现有增强技术在不同设置下对 GAN 训练的有效性。我们就如何为原始 GAN 和带正则化的 GAN 增强图像提供了见解与指导，大幅提升了生成图像的保真度。令人惊讶的是，我们发现如果对真实图像和生成图像都使用增强，原始 GAN 能够达到与近期最先进结果相当的生质量。当这种 GAN 训练与其他基于增强的正则化技术（如对比损失和一致性正则化）结合时，增强进一步改善了生成图像的质量。我们为 CIFAR-10 上的条件生成提供了新的最先进结果，采用一致性损失和对比损失作为附加正则化。
引用
@article{arxiv.2006.02595,
title = {Image Augmentations for GAN Training},
author = {Zhengli Zhao and Zizhao Zhang and Ting Chen and Sameer Singh and Han Zhang},
journal= {arXiv preprint arXiv:2006.02595},
year = {2020}
}