隐空间重加权：一种近乎零成本的 GAN 改进方法
机器学习
2021-10-20 v1 计算机视觉与模式识别
摘要
标准的 GAN 表述——由一个连续函数形变连通的隐空间——已被证明在拟合不同类别的图像时是设定有误的（misspecified）。具体而言，生成器必然会在类间采样到一些低质量图像。一系列工作并非修改架构，而是以增加计算成本为代价，旨在改进从预训练生成器中的采样质量。在此基础上，我们引入一个额外的网络来预测隐空间重要性权重，并提出两种相关的采样方法以避免最差的样本。该思路具有若干优势：1）它提供了一种将不连通性注入任意 GAN 架构的途径；2）由于拒绝发生在隐空间，避免了经由生成器与判别器，从而节省计算时间；3）该重要性权重表述提供了减小至目标分布的 Wasserstein 距离的原则性方法。我们在多个数据集（包括合成与高维数据）上展示了方法的有效性。
引用
@article{arxiv.2110.09803,
title = {Latent reweighting, an almost free improvement for GANs},
author = {Thibaut Issenhuth and Ugo Tanielian and David Picard and Jeremie Mary},
journal= {arXiv preprint arXiv:2110.09803},
year = {2021}
}