基于边缘似然均衡的改进 BiGAN 训练方法
机器学习
2020-05-26 v2 计算机视觉与模式识别
机器学习
摘要
我们提出了一种改进生成对抗网络（GANs）性能的新型训练流程，尤其针对双向 GAN。首先，我们强制逆推断网络的经验分布与先验分布相匹配，这有利于生成器网络在已见样本上的可复现性。其次，我们发现样本的边缘对数似然表现出某类样本的极度过度表示。为解决此问题，我们提出在 mini-batch 选择中使用非均匀采样来训练双向 GAN，从而在定量测量和视觉检查中均提升了生成样本的质量与多样性。我们使用知名的 CIFAR10、Fashion MNIST 和 CelebA 数据集展示了我们的新流程。
引用
@article{arxiv.1911.01425,
title = {Improved BiGAN training with marginal likelihood equalization},
author = {Pablo Sánchez-Martín and Pablo M. Olmos and Fernando Perez-Cruz},
journal= {arXiv preprint arXiv:1911.01425},
year = {2020}
}