稀疏生成对抗网络
计算机视觉与模式识别
2019-08-26 v1 机器学习
图像与视频处理
摘要
我们提出一种生成对抗网络(GAN)的新方法，以在对其所谓且公认的模态崩溃具有额外鲁棒性的同时实现改进的性能。我们首先通过将期望数据映射到基于框架的空间以获得稀疏表示，从而在学习的组织结构之前解除对小支撑特征的任何限制。为此，我们首先将图像划分为多个块，并将生成网络的作用从一次性生成整幅图像修改为为每个图像块创建稀疏表示向量。我们通过将生成的稀疏表示乘以预训练字典并组装所得块来合成整幅图像。该方法通过将子空间并集(UoS)模型施加于原始训练数据，将生成器的输出限制于特定结构，从而在保持所需多样性的同时生成更真实的图像。为了进一步正则化GAN以生成高质量图像并避免臭名昭著的模态崩溃问题，我们在GAN中引入第三个参与者，称为重构器。该参与者利用自编码方案来确保：第一，生成器中的输入输出关系是单射的；第二，每个真实图像对应于某个输入噪声。我们给出若干实验，其中所提算法相比同等常规GAN展现出显著更高的inception score。
引用
@article{arxiv.1908.08930,
title = {Sparse Generative Adversarial Network},
author = {Shahin Mahdizadehaghdam and Ashkan Panahi and Hamid Krim},
journal= {arXiv preprint arXiv:1908.08930},
year = {2019}
}
备注
10 pages