驯服类条件 GAN 中的长尾：通过低分辨率无条件训练实现知识共享
计算机视觉与模式识别
2024-06-18 v2 人工智能
机器学习
摘要
尽管关于在有限训练数据下训练生成对抗网络 (GANs) 的研究广泛，但学习从长尾训练分布中生成图像仍未得到充分探索。在存在不平衡的多类训练数据的情况下，GANs 倾向于偏向样本较多的类，导致尾部类生成的样本质量低且多样性差。在本研究中，我们旨在改进长尾数据下的类条件 GANs 训练。我们提出了一种简单而有效的知识共享方法，允许尾部类从训练数据丰富的类中借用丰富信息。更具体地说，我们提议对现有类条件 GAN 架构进行修改，确保生成器的低分辨率层完全进行无条件训练，而将类条件生成保留给高分辨率层。在多个长尾基准测试和 GAN 架构上的实验表明，该方法在生成图像的多样性和保真度方面均显著优于现有方法。代码地址：https://github.com/khorrams/utlo
引用
@article{arxiv.2402.17065,
title = {Taming the Tail in Class-Conditional GANs: Knowledge Sharing via Unconditional Training at Lower Resolutions},
author = {Saeed Khorram and Mingqi Jiang and Mohamad Shahbazi and Mohamad H. Danesh and Li Fuxin},
journal= {arXiv preprint arXiv:2402.17065},
year = {2024}
}