归一化多样性
计算机视觉与模式识别
2021-10-06 v3
摘要
生成多样且特定的数据是生成对抗网络（GAN）的目标，但它受到模式崩溃问题的困扰。我们引入了归一化多样性的概念，该概念强制模型保留来自潜在参数分布的稀疏样本与其对应高维输出之间的归一化两两距离。归一化多样性旨在展开具有未知拓扑和非均匀分布的流形，从而实现在有效潜在变量之间的安全插值。通过交替进行两两距离的最大化与总距离（归一化因子）的更新，我们鼓励模型在高维输出空间中主动探索。我们证明，通过结合归一化多样性损失与对抗损失，可以在不受模式崩溃影响的情况下生成多样数据。实验结果表明，我们的方法在无监督图像生成、条件图像生成和手部姿态估计上相比强基线取得了一致改进。
引用
@article{arxiv.1904.03608,
title = {Normalized Diversification},
author = {Shaohui Liu and Xiao Zhang and Jianqiao Wangni and Jianbo Shi},
journal= {arXiv preprint arXiv:1904.03608},
year = {2021}
}
备注
12 pages, 9 figures, to appear in CVPR 2019