MatchGAN：一种自监督半监督条件生成对抗网络
计算机视觉与模式识别
2020-10-12 v2
摘要
我们提出一种在半监督设定下用于条件生成对抗网络（GANs）的新颖自监督学习方法。与以往通常涉及图像空间几何增强（如预测旋转角度）的自监督方法不同，我们的前置任务利用标签空间。我们通过从少量可用有标签样本的标签空间中随机采样合理标签，并将其指定为来自与有标签样本相同分布的大量无标签样本的目标标签来进行增强。随后图像被翻译并按其目标标签分组为正负对，作为我们前置任务的训练样本，该任务涉及在判别器一侧优化一个辅助匹配损失。我们在两个具有挑战性的基准CelebA和RaFD上测试了我们的方法，并使用包括Fr\'{e}chet Inception Distance、Inception Score和Attribute Classification Rate在内的标准指标评估结果。大量实证评估证明了我们所提方法相对于竞争基线和现有技术的有效性。特别地，我们的方法仅使用训练基线所用20%的有标签样本便超越了该基线。
引用
@article{arxiv.2006.06614,
title = {MatchGAN: A Self-Supervised Semi-Supervised Conditional Generative Adversarial Network},
author = {Jiaze Sun and Binod Bhattarai and Tae-Kyun Kim},
journal= {arXiv preprint arXiv:2006.06614},
year = {2020}
}