基于自适应 Vicinity 与辅助正则化的 Imbalance-Robust 与 Sampling-Efficient 连续条件 GAN
机器学习
2026-02-04 v4 计算机视觉与模式识别
摘要
近期的条件生成建模进展引入了连续条件生成对抗网络（CcGAN）和连续条件扩散模型（CCDM），用于估计以标量连续回归标签（如角度、年龄或温度）为条件的高维数据分布。然而，这些方法面临根本性限制：CcGAN 因固定大小的 Vicinity 约束导致数据不平衡，而 CCDM 需要高昂的迭代采样成本。为此，我们提出了 CcGAN-AVAR，一个增强型 CcGAN 框架，包含 (1) 处理数据不平衡的两个新组件——一种自适应 Vicinity 机制，可动态调整 Vicinity 大小，以及一种多任务判别器，通过辅助回归和密度比估计来增强生成器训练——(2) GAN 框架的天然单步骤生成器，使其推理速度比 CCDM 快 30 倍至 2000 倍。我们在分辨率从64x64到256x256的四个基准数据集上进行了在十一个具挑战性情景下的广泛实验，证明 CcGAN-AVAR 在保持采样效率的同时，实现了生成质量的拔得头筹。
关键词
引用
@article{arxiv.2508.01725,
title = {Imbalance-Robust and Sampling-Efficient Continuous Conditional GANs via Adaptive Vicinity and Auxiliary Regularization},
author = {Xin Ding and Yun Chen and Yongwei Wang and Kao Zhang and Sen Zhang and Peibei Cao and Xiangxue Wang},
journal= {arXiv preprint arXiv:2508.01725},
year = {2026}
}