InfoMax-GAN：通过信息最大化与对比学习改进对抗式图像生成
机器学习
2020-11-24 v6 计算机视觉与模式识别
机器学习
摘要
虽然生成对抗网络 (GAN) 是许多生成建模应用的基础，但它们存在许多问题。在本工作中，我们提出了一个原则性框架，以同时缓解 GAN 中的两个基本问题：判别器的灾难性遗忘和生成器的模式崩溃。我们通过将对比学习与互信息最大化方法应用于 GAN 来实现这一点，并进行了广泛的分析以理解性能提升的来源。我们的方法显著稳定了 GAN 训练，并且在相同的训练与评估条件下，在五个数据集上的图像合成性能优于现有最优工作。特别地，与最先进的 SSGAN 相比，我们的方法在人脸等图像领域不会出现性能下降，反而显著提升了性能。我们的方法简单易实现且实用：它仅涉及一个辅助目标，计算成本低，并且在无需任何超参数调优的情况下，在广泛的训练设置和数据集上表现稳健。为了可复现性，我们的代码可在 Mimicry 中获取：https://github.com/kwotsin/mimicry。
引用
@article{arxiv.2007.04589,
title = {InfoMax-GAN: Improved Adversarial Image Generation via Information Maximization and Contrastive Learning},
author = {Kwot Sin Lee and Ngoc-Trung Tran and Ngai-Man Cheung},
journal= {arXiv preprint arXiv:2007.04589},
year = {2020}
}
备注
Accepted to WACV 2021. An initial version was accepted to NeurIPS 2019 Workshop on Information Theory and Machine Learning