信息论随机对比条件 GAN：InfoSCC-GAN
计算机视觉与模式识别
2021-12-20 v1 机器学习
摘要
条件生成是生成问题的一个子类，其生成输出由属性信息所条件化。在本文中，我们提出一种具有可探索潜空间的随机对比条件生成对抗网络（InfoSCC-GAN）。InfoSCC-GAN 架构基于构建在 InfoNCE 范式上的无监督对比编码器、一个属性分类器和一个 EigenGAN 生成器。我们提出一种新颖的训练方法，基于每第 次迭代使用外部或内部属性进行生成器正则化，并采用预训练的对比编码器与预训练的分类器。所提出的 InfoSCC-GAN 源于输入数据与潜空间表示之间以及潜空间与生成数据之间互信息最大化的信息论表述。因此，我们展示了训练目标函数与上述信息论表述之间的联系。实验结果表明，在 AFHQ 和 CelebA 数据集的图像生成上，InfoSCC-GAN 优于“原始” EigenGAN。此外，我们通过消融研究考察了判别器架构与损失函数的影响。最后，我们证明，得益于 EigenGAN 生成器，所提框架享有随机生成能力，不同于原始确定性 GANs，且编码器、分类器与生成器为独立训练，不同于现有框架。代码、实验结果和演示可在 https://github.com/vkinakh/InfoSCC-GAN 在线获取。
引用
@article{arxiv.2112.09653,
title = {Information-theoretic stochastic contrastive conditional GAN: InfoSCC-GAN},
author = {Vitaliy Kinakh and Mariia Drozdova and Guillaume Quétant and Tobias Golling and Slava Voloshynovskiy},
journal= {arXiv preprint arXiv:2112.09653},
year = {2021}
}