变废为宝：利用低质量样本增强连续条件生成对抗网络
计算机视觉与模式识别
2024-01-02 v3 机器学习
摘要
连续条件生成对抗网络（CcGANs）支持以连续标量变量（称为回归标签）为条件的生成建模。然而，由于训练数据有限，它们可能产生劣质的伪造图像。尽管负数据增强（NDA）通过向真实训练图像中引入异常，引导GAN远离低质量输出，从而有效增强了无条件与类条件GAN，但其对CcGAN的影响有限，因为它无法复现CcGAN采样过程中可能出现的负样本。我们提出了一种专为CcGAN设计的新型NDA方法，称为Dual-NDA，以解决此问题。Dual-NDA采用两类负样本：由预训练CcGAN生成的视觉不真实图像，以及通过篡改真实图像标签创建的标签不一致图像。利用这些负样本，我们引入了一种新的判别器目标函数以及改进的CcGAN训练算法。在UTKFace和Steering Angle上的实证分析表明，Dual-NDA持续增强了CcGAN生成伪造图像的视觉保真度与标签一致性，相较原始NDA表现出显著的性能提升。此外，通过应用Dual-NDA，CcGAN展现出超越最先进条件GAN与扩散模型能力的显著进步，确立了新的性能巅峰。我们的代码可在 https://github.com/UBCDingXin/Dual-NDA 获取。
引用
@article{arxiv.2308.10273,
title = {Turning Waste into Wealth: Leveraging Low-Quality Samples for Enhancing Continuous Conditional Generative Adversarial Networks},
author = {Xin Ding and Yongwei Wang and Zuheng Xu},
journal= {arXiv preprint arXiv:2308.10273},
year = {2024}
}