S2cGAN：利用更少标签的半监督条件 GAN 训练
机器学习
2020-10-27 v1 计算机视觉与模式识别
机器学习
摘要
生成对抗网络（GAN）在学习复杂高维真实世界分布并生成逼真样本方面已取得显著成功。然而，它们对生成过程的控制有限。条件 GAN（cGAN）提供了一种通过将输出条件化于用户定义输入来控制生成过程的机制。尽管训练 GAN 仅需无监督数据，训练 cGAN 却需要标注数据，而后者获取成本可能极高。我们提出了一种 cGAN 的半监督训练框架，其利用稀疏标签学习条件映射，同时借助大量无监督数据学习无条件分布。我们在多个数据集与不同条件任务上展示了方法的有效性。
引用
@article{arxiv.2010.12622,
title = {S2cGAN: Semi-Supervised Training of Conditional GANs with Fewer Labels},
author = {Arunava Chakraborty and Rahul Ragesh and Mahir Shah and Nipun Kwatra},
journal= {arXiv preprint arXiv:2010.12622},
year = {2020}
}