潜空间即特征空间：面向小数据集 GAN 训练的正则化项
计算机视觉与模式识别
2022-11-16 v2 机器学习
摘要
生成对抗网络（GAN）目前被广泛用作无监督图像生成方法。当前最先进的 GAN 能够生成高分辨率的照片级真实感图像。然而，这需要大量数据，否则模型容易生成具有相似模式（模式崩溃）且质量不佳的图像。我提出了一种称为 LFM 的 GAN 附加结构与损失函数，其训练目标是最大化潜空间不同维度之间的特征多样性，从而在不影响图像质量的前提下避免模式崩溃。我们构造正交潜向量对，并用点积检验由判别器提取的特征向量对，由此判别器与生成器之间形成了一种新颖的对抗关系。在实验中，该系统在 DCGAN 基础上构建，并证明在 CelebA 数据集上从头训练时，其 Frechet Inception Distance（FID）有所改善。该系统仅需轻微的额外性能开销，且可与数据增强方法协同工作。代码已发布于 github.com/penway/LFM。
引用
@article{arxiv.2210.16251,
title = {Latent Space is Feature Space: Regularization Term for GANs Training on Limited Dataset},
author = {Pengwei Wang},
journal= {arXiv preprint arXiv:2210.16251},
year = {2022}
}
备注
8 pages, 6 figures, 2 tables