看 ATME：判别器均值熵需要关注
计算机视觉与模式识别
2023-04-19 v1
摘要
生成对抗网络（GANs）已成功用于图像合成，但已知在训练期间面临不稳定性。相比之下，概率扩散模型（DMs）稳定且生成高质量图像，代价是昂贵的采样过程。在本文中，我们引入一种简单方法，使 GANs 能稳定收敛到其理论最优，同时引入来自 DMs 的去噪机制。这些模型被组合成一个更简单的模型（ATME），其在推理时仅需一次前向传播，使得预测比 DMs 和流行 GANs 更廉价且更准确。ATME 打破了大多数 GAN 模型中存在的判别器具有生成器失败位置的空间知识的信息不对称。为恢复信息对称，生成器被赋予判别器熵状态的知识，借此使对抗博弈收敛到均衡。我们在多个图像到图像翻译任务中展示了我们方法的威力，以更低代价显示出优于最先进方法的性能。代码见 https://github.com/DLR-MI/atme
引用
@article{arxiv.2304.09024,
title = {Look ATME: The Discriminator Mean Entropy Needs Attention},
author = {Edgardo Solano-Carrillo and Angel Bueno Rodriguez and Borja Carrillo-Perez and Yannik Steiniger and Jannis Stoppe},
journal= {arXiv preprint arXiv:2304.09024},
year = {2023}
}
备注
Accepted for the CVPR 2023 Workshop on Generative Models for Computer Vision, https://generative-vision.github.io/workshop-CVPR-23/