Inclusive GAN：提升生成模型中的数据与少数群体覆盖
计算机视觉与模式识别
2020-08-25 v3
摘要
生成对抗网络（GAN）在推动照片级真实感图像生成方面取得了快速进展。然而，其建模容量在各子群体间的公平分配较少受到关注，若不加控制可能导致对代表性不足少数群体的潜在偏见。在本工作中，我们首先将少数群体包容问题形式化为数据覆盖问题，进而提出通过协调对抗训练与重构式生成来改进数据覆盖。实验表明，我们的方法在已见与未见数据上的数据覆盖率均优于现有最先进方法。我们开发了一种扩展，可显式控制模型应确保包含的少数子群体，并以对整体数据集性能的微小折损验证了有效性。代码、模型与补充视频已在 GitHub 上提供。
引用
@article{arxiv.2004.03355,
title = {Inclusive GAN: Improving Data and Minority Coverage in Generative Models},
author = {Ning Yu and Ke Li and Peng Zhou and Jitendra Malik and Larry Davis and Mario Fritz},
journal= {arXiv preprint arXiv:2004.03355},
year = {2020}
}
备注
Accepted to ECCV'20