面向 GAN 的实例选择
计算机视觉与模式识别
2020-10-26 v2 机器学习
机器学习
摘要
生成对抗网络（GAN）的最新进展使其被广泛用于生成高质量合成图像。尽管能够生成照片级真实感图像，这些模型常产生位于数据流形之外的不真实样本。若干近期提出的技术试图避免伪样本，或在生成后拒绝它们，或截断模型的潜空间。虽然有效，这些方法效率低下，因为大量训练时间与模型容量被耗费在最终不会被使用的样本上。本工作中我们提出一种提升样本质量的新方法：在模型训练发生前通过实例选择改变训练数据集。通过在训练前精炼经验数据分布，我们将模型容量导向高密度区域，从而最终改善样本保真度、降低模型容量需求并显著减少训练时间。代码见 https://github.com/uoguelph-mlrg/instance_selection_for_gans。
引用
@article{arxiv.2007.15255,
title = {Instance Selection for GANs},
author = {Terrance DeVries and Michal Drozdzal and Graham W. Taylor},
journal= {arXiv preprint arXiv:2007.15255},
year = {2020}
}
备注
Accepted to NeurIPS 2020