MSGDD-cGAN：多尺度梯度双判别器条件生成对抗网络
计算机视觉与模式识别
2021-09-14 v1 图像与视频处理
摘要
条件生成对抗网络（cGANs）已被用于许多图像处理任务。然而，它们在保持将输出以输入为条件与基于相应真实值生成具有期望分布的输出之间的平衡方面仍存在严重问题。传统 cGANs 与大多数常规 GANs 类似，存在从判别器反向传播至生成器的梯度消失问题。此外，由于前述梯度问题，传统 cGANs 对架构变化敏感。因此，平衡 cGANs 的架构几乎不可能。近来 MSG-GAN 被提出，通过生成器与判别器间的多重连接来稳定 GANs 的性能。本工作中，我们提出一种称为 MSGDD-cGAN 的方法，其首先利用多连接梯度流稳定 cGANs 的性能。其次，所提网络架构平衡了输出对输入的关联性与输出在目标分布上的契合度。该平衡由所提双判别流程产生。我们通过胎儿超声图像分割测试了我们的模型。与 cGANs 的 pix2pix 版本相比，我们的模型在 F1 分数上显示出 3.18% 的提升。
引用
@article{arxiv.2109.05614,
title = {MSGDD-cGAN: Multi-Scale Gradients Dual Discriminator Conditional Generative Adversarial Network},
author = {Mohammadreza Naderi and Zahra Nabizadeh and Nader Karimi and Shahram Shirani and Shadrokh Samavi},
journal= {arXiv preprint arXiv:2109.05614},
year = {2021}
}
备注
8 pages, 6 figures