重启 ACGAN：具有稳定训练的辅助分类器 GAN
计算机视觉与模式识别
2021-11-02 v1 人工智能
机器学习
摘要
条件生成对抗网络（cGAN）通过将类别信息引入 GAN 来生成逼真图像。虽然最流行的 cGAN 之一是基于 softmax 交叉熵损失的辅助分类器 GAN（ACGAN），但众所周知，随着数据集中类别数量的增加，训练 ACGAN 具有挑战性。ACGAN 还倾向于生成易于分类但缺乏多样性的样本。在本文中，我们为 ACGAN 引入两种补救措施。首先，我们指出分类器中的梯度爆炸会导致训练早期的不良崩溃，而将输入向量投影到单位超球面可解决该问题。其次，我们提出数据到数据交叉熵损失（D2D-CE）以利用类标数据集中的关系信息。在此基础上，我们提出了重启的辅助分类器生成对抗网络（ReACGAN）。实验结果表明，ReACGAN 在 CIFAR10、Tiny-ImageNet、CUB200 和 ImageNet 数据集上取得了最先进的生成结果。我们还验证了 ReACGAN 受益于可微增强，且 D2D-CE 与 StyleGAN2 架构相协调。模型权重以及提供我们论文中代表性 cGAN 与所有实验实现的软件包可在 https://github.com/POSTECH-CVLab/PyTorch-StudioGAN 获取。
引用
@article{arxiv.2111.01118,
title = {Rebooting ACGAN: Auxiliary Classifier GANs with Stable Training},
author = {Minguk Kang and Woohyeon Shim and Minsu Cho and Jaesik Park},
journal= {arXiv preprint arXiv:2111.01118},
year = {2021}
}
备注
34 pages, 26 figures, 35th Conference on Neural Information Processing Systems (NeurIPS 2021)