OpenGAN：开放集生成对抗网络
计算机视觉与模式识别
2020-03-19 v1 机器学习
摘要
许多现有的条件生成对抗网络（cGAN）局限于以预定义且固定的类级语义标签或属性为条件。我们提出一种开放集 GAN 架构（OpenGAN），其以从度量空间抽取的特征嵌入按每个输入样本为条件。利用编码了类级与细粒度语义信息的最先进度量学习模型，我们能够生成与给定源图像语义相似样本。度量学习模型提取的语义信息可迁移至分布外的新类别，使生成模型能够产生训练分布之外的样本。我们展示了所提方法能够生成来自新类别的 256256 分辨率图像，其视觉质量与来自训练类别的图像相似。在无源图像情况下，我们证明对度量空间的随机采样同样产生高质量样本。我们表明在特征空间与潜空间中的插值导致图像空间中语义与视觉上合理的变换。最后，展示了所生成样本对数据增强下游任务的实用性。我们表明，通过在训练数据中用 OpenGAN 样本增强分布外 GAN 训练类别，分类器性能可显著提升。
引用
@article{arxiv.2003.08074,
title = {OpenGAN: Open Set Generative Adversarial Networks},
author = {Luke Ditria and Benjamin J. Meyer and Tom Drummond},
journal= {arXiv preprint arXiv:2003.08074},
year = {2020}
}