学生 t 分布生成对抗网络
机器学习
2018-11-07 v1 机器学习
摘要
生成对抗网络（GANs）在图像生成方面具有优异性能，但它们需要大规模数据来训练整个框架，且常产生无意义的结果。我们提出一种参考条件 GAN 的新方法，除类别信息外，还使潜噪声配备带注意力机制的学生 t 分布混合。学生 t 分布具有长尾，可为潜噪声提供更多多样性。同时，我们模型中的判别器同时执行两项任务：判断图像是否来自真实数据分布，以及识别每张生成图像的类别。混合模型的参数可与 GAN 的参数一同学习。此外，我们从数学上证明任意多元学生 t 分布都可通过正态多元学生 t 分布的线性变换获得。将所提方法与典型 GAN、DeliGAN 和 DCGAN 比较的实验表明，我们的方法在有限数据下生成多样且清晰的对象方面具有优异性能。
引用
@article{arxiv.1811.02132,
title = {Student's t-Generative Adversarial Networks},
author = {Jinxuan Sun and Guoqiang Zhong and Yang Chen and Yongbin Liu and Tao Li and Zhongwen Guo},
journal= {arXiv preprint arXiv:1811.02132},
year = {2018}
}