鲁棒条件生成对抗网络
机器学习
2019-03-14 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
条件生成对抗网络（cGAN）在条件图像生成任务中带来了巨大改进，而该任务处于计算机视觉的核心。迄今为止的主要焦点在于性能提升，而鲜有努力使 cGAN 对噪声更鲁棒。生成器的回归可能导致输出中任意大的误差，这使得 cGAN 对于真实世界应用不可靠。在本工作中，我们引入一种新颖的条件 GAN 模型，称为 RoCGAN，其利用模型目标空间中的结构来解决该问题。我们的模型为生成器增加一条无监督通路，即使存在强烈噪声也促使生成器的输出跨越目标流形。我们证明 RoCGAN 具有与 GAN 相似的理论性质，并通过实验验证我们的模型在包括自然场景与人脸图像在内的多种领域中大幅优于现有最先进的 cGAN 架构。
引用
@article{arxiv.1805.08657,
title = {Robust Conditional Generative Adversarial Networks},
author = {Grigorios G. Chrysos and Jean Kossaifi and Stefanos Zafeiriou},
journal= {arXiv preprint arXiv:1805.08657},
year = {2019}
}
备注
To appear in ICLR 2019