大规模 GAN 训练用于高保真自然图像合成
机器学习
2019-02-27 v2 机器学习
摘要
尽管生成式图像建模近期取得进展，但从 ImageNet 等复杂数据集成功生成高分辨率、多样化的样本仍是一个难以实现的目标。为此，我们以迄今最大规模训练生成对抗网络(Generative Adversarial Networks, GAN)，并研究该规模下特有的不稳定性。我们发现，对生成器施加正交正则化可使其适用于简单的“截断技巧”，通过降低生成器输入的方差来精细控制样本保真度与多样性之间的权衡。我们的改进带来了设定类条件图像合成新 state of the art（SOTA，最优性能）的模型。在 128x128 分辨率下于 ImageNet 上训练时，我们的模型（BigGANs）取得了 166.5 的 Inception Score (IS) 与 7.4 的 Frechet Inception Distance (FID)，优于此前的 52.52 IS 与 18.6 FID。
引用
@article{arxiv.1809.11096,
title = {Large Scale GAN Training for High Fidelity Natural Image Synthesis},
author = {Andrew Brock and Jeff Donahue and Karen Simonyan},
journal= {arXiv preprint arXiv:1809.11096},
year = {2019}
}