有限数据下生成对抗网络的正则化方法
机器学习
2021-04-08 v1 计算机视觉与模式识别
摘要
近年来，生成对抗网络（GANs）取得了快速进展。然而，GAN 模型的成功依赖于大量训练数据。本工作提出一种在有限数据上训练鲁棒 GAN 模型的正则化方法。我们从理论上展示了正则化损失与一种称为 LeCam 散度的 f-散度之间的联系，我们发现后者在有限训练数据下更为鲁棒。在多个基准数据集上的大量实验表明，所提正则化方案 1) 提升了有限训练数据下 GAN 模型的泛化性能并稳定了学习动态，以及 2) 补充了近期的数据增强方法。这些特性有助于在仅有 ImageNet 基准的有限训练数据可用时，训练 GAN 模型达到最先进性能。
引用
@article{arxiv.2104.03310,
title = {Regularizing Generative Adversarial Networks under Limited Data},
author = {Hung-Yu Tseng and Lu Jiang and Ce Liu and Ming-Hsuan Yang and Weilong Yang},
journal= {arXiv preprint arXiv:2104.03310},
year = {2021}
}
备注
CVPR 2021. Project Page: https://hytseng0509.github.io/lecam-gan Code: https://github.com/google/lecam-gan