PriorGAN：面向生成对抗网络的真实数据先验
计算机视觉与模式识别
2020-07-01 v1 图像与视频处理
摘要
生成对抗网络（GANs）在学习丰富数据分布方面取得了快速进展。然而，我们认为现有技术存在两个主要问题。第一，低质量问题，即所学分布含有大量低质量样本。第二，模式缺失问题，即所学分布遗漏了真实数据分布的某些特定区域。为解决这两个问题，我们提出了一种捕获整个真实数据分布、用于 GANs 的新颖先验，称为 PriorGANs。具体而言，我们采用简单而优雅的高斯混合模型（GMM）在特征层面上为整个真实数据建立显式概率分布。通过最大化生成数据的概率，我们可以将低质量样本推向高质量。同时，借助该先验，我们可以估计所学分布中缺失的模式，并设计一种在真实数据上的采样策略来解决该问题。所提出的真实数据先验可推广到 GANs 的多种训练设定，如 LSGAN、WGAN-GP、SNGAN，乃至 StyleGAN。我们的实验表明，PriorGANs 在 CIFAR-10、FFHQ、LSUN-cat 和 LSUN-bird 数据集上以较大优势优于最先进水平。
引用
@article{arxiv.2006.16990,
title = {PriorGAN: Real Data Prior for Generative Adversarial Nets},
author = {Shuyang Gu and Jianmin Bao and Dong Chen and Fang Wen},
journal= {arXiv preprint arXiv:2006.16990},
year = {2020}
}