通过在判别器特征空间中最小化 Fréchet 距离进行图像生成
计算机视觉与模式识别
2020-04-01 v2 机器学习
图像与视频处理
摘要
对于给定的图像生成问题，内在图像流形通常是低维的。我们的直觉是，在表示此种流形的低维特征空间中最小化真实图像与生成图像之间的分布距离来训练 GAN 生成器，远比在原始像素空间上训练更好。我们使用 GAN 判别器的特征空间作为此种表示。对于分布距离，我们采用两种选择之一：Fréchet 距离或直接最优传输（OT）；这分别引导出两种新的 GAN 方法：Fréchet-GAN 和 OT-GAN。采用 Fréchet 距离的想法源于 Fréchet Inception Distance 作为图像生成中可靠评估指标的成功。Fréchet-GAN 在多方面具有吸引力。我们提出一种高效、数值稳定的方法来计算 Fréchet 距离及其梯度。Fréchet 距离估计所需计算时间显著少于 OT；这使得 Fréchet-GAN 在训练中可使用比 OT 大得多的 mini-batch 大小。更重要的是，我们在多个基准数据集上开展实验，表明 Fréchet-GAN（尤其是）和 OT-GAN 比现有的基于 Wasserstein 距离的代表性原始与对偶 GAN 方法具有显著更好的图像生成能力。
引用
@article{arxiv.2003.11774,
title = {Image Generation Via Minimizing Fr\'echet Distance in Discriminator Feature Space},
author = {Khoa D. Doan and Saurav Manchanda and Fengjiao Wang and Sathiya Keerthi and Avradeep Bhowmik and Chandan K. Reddy},
journal= {arXiv preprint arXiv:2003.11774},
year = {2020}
}