一种简单而有效的提升 GAN 性能的方法
机器学习
2021-01-20 v4 计算机视觉与模式识别
机器学习
摘要
在对抗学习中，判别器常因利用琐碎或非鲁棒特征区分真实与生成图像，而未能成功引导生成器。为缓解此问题，本文提出了一种简单而有效的方法，可在不增加训练开销或修改现有方法网络架构的情况下提升生成对抗网络（GAN）的性能。所提方法为判别器采用一种新颖的级联拒绝（CR）模块，该模块利用向量拒绝操作以迭代方式提取多个非重叠特征。由于提取的多样化特征防止判别器集中于无意义特征，判别器可有效引导生成器生成更近似真实图像的图像。此外，由于所提 CR 模块仅需少量简单向量运算，其可轻易应用于现有框架且训练开销极小。在包括 CIFAR-10、CelebA、CelebA-HQ、LSUN 与 tiny-ImageNet 在内的多种数据集上的定量评估证实，所提方法在弗雷歇初始距离（FID，表征生成图像的多样性与视觉外观）方面显著提升了 GAN 与条件 GAN 的性能。
引用
@article{arxiv.1911.10979,
title = {Simple yet Effective Way for Improving the Performance of GAN},
author = {Yong-Goo Shin and Yoon-Jae Yeo and Sung-Jea Ko},
journal= {arXiv preprint arXiv:1911.10979},
year = {2021}
}
备注
Accepted to IEEE transactions on neural networks and learning systems