用于多样图像合成的寻模生成对抗网络
计算机视觉与模式识别
2019-05-07 v6
摘要
大多数条件生成任务期望在单一条件上下文下给出多样化输出。然而，条件生成对抗网络（cGANs）往往聚焦于先验条件信息而忽略对输出变化有贡献的输入噪声向量。近期解决 cGANs 模式崩溃问题的尝试通常是任务特定的且计算昂贵。本工作中，我们提出一种简单而有效的正则化项来解决 cGANs 的模式崩溃问题。所提方法显式最大化生成图像间距离相对于对应潜码距离的比值，从而鼓励生成器在训练期间探索更多次要模式。该寻模正则化项易于应用于各种条件生成任务，且不带来训练开销或修改原始网络结构。我们在三个条件图像合成任务上验证了所提算法，包括类别生成、图像到图像翻译和文本到图像合成，并采用不同基线模型。定性与定量结果均证明了所提正则化方法在提升多样性而不损失质量方面的有效性。
引用
@article{arxiv.1903.05628,
title = {Mode Seeking Generative Adversarial Networks for Diverse Image Synthesis},
author = {Qi Mao and Hsin-Ying Lee and Hung-Yu Tseng and Siwei Ma and Ming-Hsuan Yang},
journal= {arXiv preprint arXiv:1903.05628},
year = {2019}
}
备注
CVPR 2019. Code: https://github.com/HelenMao/MSGAN