SRGAN：训练数据集至关重要
计算机视觉与模式识别
2019-03-26 v1 人工智能
机器学习
摘要
监督设置下的生成对抗网络 (GANs) 可以从低分辨率输入生成逼真的对应输出 (SRGAN)。使用 SRGAN 原论文 [2] 中提出的架构，我们通过使用三个不同的数据集来探索选择数据集如何影响结果，发现 SRGAN 从根本上学习的是物体及其形状、颜色和纹理，并在输出中重新绘制它们，而不仅仅是试图锐化边缘。我们进一步强调了这一点：一旦网络学习了数据集的图像，它甚至可以仅凭一张边缘非常模糊的草图（带有对原图可能样貌的些许暗示）生成逼真的图像。给定一组推理图像，使用同一数据集训练的网络比使用任意图像集训练的网络产生更好的结果，我们用 Frechet Inception Distance 分数 [22] 以数值方式报告了其显著性。
引用
@article{arxiv.1903.09922,
title = {SRGAN: Training Dataset Matters},
author = {Nao Takano and Gita Alaghband},
journal= {arXiv preprint arXiv:1903.09922},
year = {2019}
}