利用有限数据训练生成对抗网络
计算机视觉与模式识别
2020-10-08 v2 机器学习
神经与进化计算
机器学习
摘要
使用过少的数据训练生成对抗网络（GAN）通常会导致判别器过拟合，从而引起训练发散。我们提出了一种自适应判别器增强机制，可在有限数据条件下显著稳定训练。该方法无需更改损失函数或网络架构，既适用于从头训练，也适用于在另一数据集上微调现有 GAN。我们在多个数据集上证明，现在仅使用几千张训练图像即可获得良好结果，其效果往往可与 StyleGAN2 在使用少一个数量级图像时的结果相媲美。我们期望这将为 GAN 开辟新的应用领域。我们还发现，广泛使用的 CIFAR-10 实际上是一个有限数据基准，并将最佳 FID 从 5.59 提升至 2.42。
引用
@article{arxiv.2006.06676,
title = {Training Generative Adversarial Networks with Limited Data},
author = {Tero Karras and Miika Aittala and Janne Hellsten and Samuli Laine and Jaakko Lehtinen and Timo Aila},
journal= {arXiv preprint arXiv:2006.06676},
year = {2020}
}