面向生成对抗网络的图像难度课程学习（CuGAN）
机器学习
2019-10-24 v2 计算机视觉与模式识别
机器学习
摘要
尽管近年来取得了显著进展，生成对抗网络（GANs）的训练仍然众所周知地困难。本文提出三种用于训练 GANs 的新颖课程学习策略。所有策略首先基于由最先进的图像难度预测器估计的难度分数对训练图像进行排序。我们的第一种策略是将图像划分为逐渐更难的批次。第二种策略为判别器引入了一种新颖的课程损失函数，该函数考虑了真实图像的难度分数。第三种策略基于从一种演化分布中采样，该分布在初始训练阶段偏向较容易的图像，并逐渐收敛到均匀分布，其中样本不论难度如何都具有相等的概率。我们在两个任务上将我们的课程学习策略与经典训练流程进行比较：图像生成与图像翻译。我们的实验表明，所有策略都提供了更快的收敛和更优的结果。例如，我们将最佳课程学习策略应用于谱归一化 GANs（SNGANs）时，在 25.0% 的展示案例中骗过人类标注者，使其认为生成的类 CIFAR 图像是真实的，而使用经典流程训练的 SNGANs 仅在 18.4% 的案例中骗过标注者。类似地，在图像翻译中，人类标注者在 40.5% 的案例中偏好使用课程学习训练的循环一致 GAN（CycleGAN）所生成的图像，而仅对 19.8% 的案例偏好基于经典训练的 CycleGAN 生成的图像，39.7% 的案例被标记为平局。
引用
@article{arxiv.1910.08967,
title = {Image Difficulty Curriculum for Generative Adversarial Networks (CuGAN)},
author = {Petru Soviany and Claudiu Ardei and Radu Tudor Ionescu and Marius Leordeanu},
journal= {arXiv preprint arXiv:1910.08967},
year = {2019}
}
备注
Accepted at WACV 2020