利用特征循环生成器改进 GANs
计算机视觉与模式识别
2023-02-20 v2 人工智能
摘要
生成对抗网络（GANs）由生成器和判别器构成，显著推进了图像生成的发展。通常，现有文献通过堆叠多个残差块来构建生成器，因为这有助于生成器的训练。然而，一些近期文献指出了残差块的局限性，并提出了一种新的架构单元以改进 GANs 性能。顺应这一趋势，本文提出一种称为特征循环块（FCB）的新单元，在图像生成任务中取得了令人印象深刻的成果。具体而言，FCB 有两个分支：一个是记忆分支，另一个是图像分支。记忆分支在生成器的每个阶段保留有意义的信息，而图像分支从记忆分支提取一些有用特征以生成高质量图像。为展示所提方法的能力，我们使用包括 CIFAR-10、CIFAR-100、FFHQ、AFHQ 和 LSUN 子集在内的多种数据集进行了广泛实验。实验结果表明，我们的方法相对于基线具有显著优越性，且未引入任何目标函数或训练技巧。例如，所提方法在 FFHQ 数据集上将 StyleGAN2 的弗雷歇起始距离（FID）从 4.89 提升至 3.72，在 LSUN Bed 数据集上从 6.64 提升至 5.57。我们相信本文提出的开创性尝试能够启发学界设计更优的生成器架构，以及提出与所提方法兼容的训练目标或技巧。
引用
@article{arxiv.2210.09638,
title = {Improving GANs with a Feature Cycling Generator},
author = {Seung Park and Yong-Goo Shin},
journal= {arXiv preprint arXiv:2210.09638},
year = {2023}
}