探究 GANsformer：对一种最先进图像生成模型的复现研究
计算机视觉与模式识别
2023-03-16 v1 机器学习
摘要
当今通过生成式建模进行图像生成的领域被广泛讨论。它可用于多种应用，如现有图像超分辨率、创建不存在的物体（如室内设计场景、产品或甚至人脸），以及实现迁移学习过程。在此背景下，生成对抗网络（GANs）是一类被广泛研究的机器学习框架，首次出现于 Goodfellow 等人论文“Generative adversarial nets”中，可实现上述目标。在我们的工作中，我们复现并评估了原始 GAN 网络的一种新变体，即 Hudson 与 Zitnick 在“Generative Adversarial Transformers”中提出的 GANformer。本项目旨在重建该论文提出的方法以复现原始结果，并对作者的主张进行评论。由于资源与时间限制，我们不得不约束网络的训练时间、数据集类型与规模。我们的研究成功复现了所提 GANformer 模型的两种变体，并发现作者结果与我们的结果之间存在差异。此外，发表的方法论与代码中提供的实现之间的差异，使我们得以研究所呈现过程的两种未公开变体。
引用
@article{arxiv.2303.08577,
title = {Investigating GANsformer: A Replication Study of a State-of-the-Art Image Generation Model},
author = {Giorgia Adorni and Felix Boelter and Stefano Carlo Lambertenghi},
journal= {arXiv preprint arXiv:2303.08577},
year = {2023}
}