SSD-GAN：在空间与频谱域度量真实度
计算机视觉与模式识别
2020-12-16 v3
摘要
本文观察到标准 GAN 的判别器中普遍存在高频缺失问题，并揭示其源于网络架构中采用的下采样层。该问题使生成器缺乏来自判别器学习数据高频内容的激励，导致生成图像与真实图像间显著的频谱差异。由于傅里叶变换为双射映射，我们认为减小该频谱差异将提升 GAN 性能。为此，我们引入 SSD-GAN，一种缓解判别器中频谱信息损失的 GAN 增强方法。具体而言，我们提出将频率感知分类器嵌入判别器，以在空间与频谱域同时度量输入的真实度。借助增强判别器，SSD-GAN 的生成器被鼓励学习真实数据的高频内容并生成精确细节。所提方法具通用性，可低成本轻易集成至多数现有 GAN 框架。SSD-GAN 的有效性在多种网络架构、目标函数与数据集上得到验证。代码将发布于 https://github.com/cyq373/SSD-GAN。
引用
@article{arxiv.2012.05535,
title = {SSD-GAN: Measuring the Realness in the Spatial and Spectral Domains},
author = {Yuanqi Chen and Ge Li and Cece Jin and Shan Liu and Thomas Li},
journal= {arXiv preprint arXiv:2012.05535},
year = {2020}
}
备注
Accepted to AAAI 2021. Code: https://github.com/cyq373/SSD-GAN