Omni-GAN：关于条件生成对抗网络的奥秘及更广泛应用
计算机视觉与模式识别
2021-03-30 v3 人工智能
机器学习
摘要
条件生成对抗网络（cGAN）是生成高质量图像的有力工具，但现有方法大多存在性能不佳或模式崩溃的风险。本文提出 Omni-GAN，一种 cGAN 的变体，揭示了在设计合适判别器以训练模型时的关键问题。其核心在于确保判别器获得强监督以感知概念，并接受适度正则化以避免崩溃。Omni-GAN 易于实现，并可自由集成现成的编码方法（如隐式神经表示，INR）。实验验证了 Omni-GAN 与 Omni-INR-GAN 在广泛图像生成与修复任务中的优越性能。特别地，Omni-INR-GAN 在 ImageNet 数据集上创下新纪录，在图像尺寸 128 和 256 下分别取得 262.85 和 343.22 的惊人 Inception 分数，超越此前纪录 100 多分。此外，借助生成器先验，Omni-INR-GAN 可将低分辨率图像外推至任意分辨率，甚至高达 60 倍以上分辨率。代码已公开。
引用
@article{arxiv.2011.13074,
title = {Omni-GAN: On the Secrets of cGANs and Beyond},
author = {Peng Zhou and Lingxi Xie and Bingbing Ni and Cong Geng and Qi Tian},
journal= {arXiv preprint arXiv:2011.13074},
year = {2021}
}
备注
Introducing Omni-INR-GAN, which can extrapolate low-resolution images to arbitrary resolution