SONA：学习条件判别、无条件判别与不匹配感知判别器
机器学习
2025-10-07 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
深度生成模型在生成复杂内容方面取得了显著进展，但条件生成仍然是一个根本性挑战。现有的条件生成对抗网络往往难以在条件判别器中平衡评估样本真实性与条件对齐性的双重目标。为此，我们提出了一种新颖的判别器设计，将三种关键能力集成其中：无条件判别、匹配感知监督以增强对齐灵敏度，以及自适应加权以动态平衡所有目标。具体而言，我们引入 Sum of Naturalness and Alignment (SONA)，其在最终层中采用独立的自然性（真实性）和对齐性投影，并带有归纳偏置，同时配合专门的目标函数和自适应加权机制。广泛的类条件生成任务实验表明，\ours 在样本质量和条件对齐方面均优于当前最先进的方法。此外，我们在文本到图像生成中证明了其有效性，确认了该方法的通用性和鲁棒性。
引用
@article{arxiv.2510.04576,
title = {SONA: Learning Conditional, Unconditional, and Mismatching-Aware Discriminator},
author = {Yuhta Takida and Satoshi Hayakawa and Takashi Shibuya and Masaaki Imaizumi and Naoki Murata and Bac Nguyen and Toshimitsu Uesaka and Chieh-Hsin Lai and Yuki Mitsufuji},
journal= {arXiv preprint arXiv:2510.04576},
year = {2025}
}
备注
24 pages with 9 figures