基于多通道小波滤波的噪声均匀化用于 GAN 高保真样本生成
机器学习
2020-05-15 v1 计算机视觉与模式识别
机器学习
摘要
在典型生成对抗网络（GANs）的生成器中，输入噪声并通过一系列卷积操作生成伪造样本。然而，当前的噪声生成模型仅依赖像素空间的信息，增加了逼近目标分布的难度。幸运的是，久经验证的小波变换能够从图像中分解出多频谱信息。本工作中，我们提出一种新颖的基于多通道小波滤波的 GAN 方法以应对该问题。当在生成器中嵌入小波反卷积层时，所得的 GAN 称为 WaveletGAN，其利用小波反卷积学习具有多通道的滤波，可通过平均操作高效均匀化生成的噪声，从而生成高保真样本。我们通过开放的 GAN 基准工具在 Fashion-MNIST、KMNIST 和 SVHN 数据集上进行了基准实验。结果表明，得益于在这些数据集上取得的最小 FID，WaveletGAN 在生成高保真样本方面具有优异性能。
引用
@article{arxiv.2005.06707,
title = {Noise Homogenization via Multi-Channel Wavelet Filtering for High-Fidelity Sample Generation in GANs},
author = {Shaoning Zeng and Bob Zhang},
journal= {arXiv preprint arXiv:2005.06707},
year = {2020}
}
备注
12 pages, 2 figures