通过操纵输入空间学习避免GAN中的错误
机器学习
2017-07-05 v1 机器学习
摘要
尽管近期取得进展，大规模视觉伪影在GAN生成的图像中仍是常见现象。先前工作集中于提升生成器精确模仿数据分布 的能力。本文则探索通过操纵输入空间使GAN主动避免错误的方法。核心思想是对每个噪声向量施加微小改变，以将其移离输入空间中易导致错误的区域。我们由此推导出三种不同架构。其中主要一种由一个简单的残差模块构成，其显著减少了视觉伪影，同时仅轻微降低多样性。该模块可轻易添加至现有GAN中，且几乎不消耗计算与内存。
引用
@article{arxiv.1707.00768,
title = {Learning to Avoid Errors in GANs by Manipulating Input Spaces},
author = {Alexander B. Jung},
journal= {arXiv preprint arXiv:1707.00768},
year = {2017}
}
备注
9 pages, 6 figures (plus 21 pages Appendix), code available at: https://github.com/aleju/gan-error-avoidance