利用因子化判别器从不完全观测训练生成对抗网络
机器学习
2020-01-31 v2 机器学习
摘要
生成对抗网络（GANs）在图像生成和修复等应用中取得了巨大成功。然而，它们通常需要大型数据集，而这往往难以获取，尤其在需要标签的图像分割等预测任务中。因此，诸如 CycleGAN 的方法使用了更易获得的无标签数据，但未能提供利用额外有标签数据以提升性能的途径。为解决这一不足，我们展示了如何将联合数据分布因子化为一组低维分布及其依赖关系。这使得可将 GAN 中的判别器拆分为多个可基于不完全观测独立训练的“子判别器”。它们的输出可组合用于估计联合真实分布与生成器分布之间的密度比，从而能够像原始 GAN 框架那样训练生成器。我们将该方法应用于图像生成、图像分割和音频源分离，并在有额外不完全训练样本可用时取得优于标准 GAN 的性能。特别是在 Cityscapes 分割任务中，我们的方法仅使用 25 个额外配对样本，就比 CycleGAN 绝对精度提升 14.9%。
引用
@article{arxiv.1905.12660,
title = {Training Generative Adversarial Networks from Incomplete Observations using Factorised Discriminators},
author = {Daniel Stoller and Sebastian Ewert and Simon Dixon},
journal= {arXiv preprint arXiv:1905.12660},
year = {2020}
}
备注
10 pages plus 14 pages appendix. Accepted at the International Conference on Learning Representations (ICLR) 2020. Camera-ready submission. Implementation available at https://github.com/f90/FactorGAN