通过分组谱正则化改进长尾数据上的GANs

深度长尾学习旨在实际、真实世界的不平衡分布上训练有用的深度网络，其中尾部类的大多数标签仅关联少量样本。已有大量工作训练判别式模型用于长尾分布的视觉识别。相反，我们旨在训练条件生成对抗网络（GAN），一类用于长尾分布的图像生成模型。我们发现类似于识别，最先进的图像生成方法在尾部类上同样遭受性能退化。该性能退化主要源于尾部类的类特定模式崩溃，我们观察到其与条件参数矩阵的谱爆炸相关。我们提出一种新颖的分组谱正则化器（gSR），其防止谱爆炸以缓解模式崩溃，从而在即便尾部类上也生成多样且合理的图像。我们发现gSR能有效结合现有增强与正则化技术，在长尾数据上取得最先进的图像生成性能。大量实验证明了我们的正则化器在不同不平衡程度长尾数据集上的有效性。