用于图像编辑的自条件生成对抗网络
计算机视觉与模式识别
2022-02-09 v1 图形学
机器学习
摘要
生成对抗网络（GANs）容易从不平衡数据或模式崩溃中学习到偏差。网络聚焦于数据分布的核心，将分布的尾部——即分布的边缘——遗漏。我们认为这种偏差不仅引发了公平性担忧，而且在潜变量遍历编辑方法偏离分布核心时发生崩溃中起关键作用。基于该观察，我们概述了一种通过自条件过程缓解生成偏差的方法，其中利用预训练生成器的潜空间中的距离来为数据提供初始标签。通过在由这些自标注数据重采样的分布上微调生成器，我们迫使生成器更好地应对稀有语义属性，并实现这些属性更真实的生成。我们将模型与广泛的潜编辑方法比较，表明通过减轻偏差，它们在更广范围的变换中实现了更精细的语义控制与更好的身份保持。我们的代码与模型将发布于 https://github.com/yzliu567/sc-gan
引用
@article{arxiv.2202.04040,
title = {Self-Conditioned Generative Adversarial Networks for Image Editing},
author = {Yunzhe Liu and Rinon Gal and Amit H. Bermano and Baoquan Chen and Daniel Cohen-Or},
journal= {arXiv preprint arXiv:2202.04040},
year = {2022}
}
备注
Project page: https://github.com/yzliu567/sc-gan