不要丢弃判别器！在测试时训练中复用对抗器
图像与视频处理
2021-09-07 v1 计算机视觉与模式识别
摘要
得益于无需配对数据即可学习数据分布的能力，生成对抗网络（GAN）已成为许多计算机视觉方法（包括为医学图像分割开发的方法）的重要组成部分。这些方法联合训练一个分割器和一个对抗式掩码判别器，后者提供数据驱动的形状先验。在推理时，判别器被丢弃，仅使用分割器在测试图像上预测标签图。但我们应该丢弃判别器吗？本文认为，对抗判别器的生命周期不应在训练后结束。相反，训练稳定的GAN会产生强大的形状先验，我们可在推理时用以纠正分割器的错误。为此，我们开发了不会过拟合或发生灾难性遗忘的稳定掩码判别器。在测试时，我们在每个单独的测试样本上微调分割器，直至其满足所学形状先验。我们的方法易于实现且能提升模型性能。此外，它开辟了在推理时复用掩码判别器的新方向。我们在 https://vios-s.github.io/adversarial-test-time-training 发布了实验所用代码。
引用
@article{arxiv.2108.12280,
title = {Stop Throwing Away Discriminators! Re-using Adversaries for Test-Time Training},
author = {Gabriele Valvano and Andrea Leo and Sotirios A. Tsaftaris},
journal= {arXiv preprint arXiv:2108.12280},
year = {2021}
}
备注
Accepted at: Domain Adaptation and Representation Transfer (DART) 2021