带标签增强的自监督 GAN
机器学习
2022-01-19 v5 计算机视觉与模式识别
摘要
近来,基于变换的自监督学习被应用于生成对抗网络(GANs),通过引入平稳学习环境来缓解判别器的灾难性遗忘。然而,现有自监督 GAN 中分离的自监督任务因其自监督分类器对生成器分布不可知,导致与生成建模目标不一致。为解决该问题,我们提出一种新颖的自监督 GAN,通过数据变换的自监督对 GAN 标签(真或假)进行增强,从而统一 GAN 任务与自监督任务。具体而言,原始判别器与自监督分类器被统一为标签增强判别器,其预测增强标签以感知每个变换下的生成器分布与数据分布,进而提供二者差异来优化生成器。理论上,我们证明最优生成器可收敛以复现真实数据分布。实证上,我们表明所提方法在基准数据集上的生成建模与表示学习均显著优于先前自监督与数据增强 GAN。
引用
@article{arxiv.2106.08601,
title = {Self-Supervised GANs with Label Augmentation},
author = {Liang Hou and Huawei Shen and Qi Cao and Xueqi Cheng},
journal= {arXiv preprint arXiv:2106.08601},
year = {2022}
}
备注
Accepted at NeurIPS 2021