为条件 GAN 挖掘 GOLD 样本
机器学习
2019-10-22 v1 计算机视觉与模式识别
机器学习
摘要
条件生成对抗网络(cGANs)因其按类的可控性以及在复杂生成任务上的优越质量,近年来受到相当多的关注。我们提出了一种简单而有效的改进 cGANs 的方法,通过度量给定样本上数据分布与模型分布之间的差异。所提出的度量称为对数密度间隙(GOLD),为 cGANs 提供了有效的自我诊断,同时可由判别器高效计算。我们提出了 GOLD 的三种应用:样本重加权、拒绝采样和主动学习,分别改进 cGANs 的训练、推理和数据选择。我们的实验结果表明,所提出的方法在不同图像数据集上针对所有三种应用均优于相应的基线。
引用
@article{arxiv.1910.09170,
title = {Mining GOLD Samples for Conditional GANs},
author = {Sangwoo Mo and Chiheon Kim and Sungwoong Kim and Minsu Cho and Jinwoo Shin},
journal= {arXiv preprint arXiv:1910.09170},
year = {2019}
}
备注
NeurIPS 2019