大规模对抗表示学习
计算机视觉与模式识别
2019-11-06 v2 机器学习
机器学习
摘要
对抗训练的生成模型（GANs）近期取得了引人注目的图像合成结果。但尽管早期在利用 GAN 进行无监督表示学习方面取得成功，它们后来已被基于自监督的方法超越。在本工作中，我们表明图像生成质量的进展转化为显著改善的表示学习性能。我们的方法 BigBiGAN 建立在最先进的 BigGAN 模型之上，通过添加编码器并修改判别器将其扩展至表示学习。我们广泛评估了这些 BigBiGAN 模型的表示学习与生成能力，证明这些基于生成的模型在 ImageNet 上的无监督表示学习以及无条件图像生成方面均达到了最先进水平。预训练的 BigBiGAN 模型——包括图像生成器与编码器——可在 TensorFlow Hub 获取（https://tfhub.dev/s?publisher=deepmind&q=bigbigan）。
引用
@article{arxiv.1907.02544,
title = {Large Scale Adversarial Representation Learning},
author = {Jeff Donahue and Karen Simonyan},
journal= {arXiv preprint arXiv:1907.02544},
year = {2019}
}
备注
32 pages. In proceedings of NeurIPS 2019. This is the camera-ready version of the paper, with supplementary material included as appendices