孪生辅助分类器 GAN
机器学习
2019-11-06 v4 机器学习
摘要
条件生成模型在过去几年中取得了显著进展。Auxiliary Classifier GAN（AC-GAN）是一种流行的条件模型，它通过用辅助分类器扩展 GAN 的损失函数，生成具有高度判别性的图像。然而，随着类别数量的增加，AC-GAN 生成样本的多样性趋于下降，从而限制了其在大规模数据上的能力。在本文中，我们从理论上定位了低多样性的根源，并提出了一种实用的解决方案。我们表明，AC-GAN 中的辅助分类器施加了完美的可分离性，当各类别分布的支撑集存在显著重叠时，这是不利的。为解决该问题，我们提出了 Twin Auxiliary Classifiers Generative Adversarial Net（TAC-GAN），它进一步受益于一个与 GAN 中其他参与者（生成器和判别器）交互的新参与者。理论上，我们证明了 TAC-GAN 能有效最小化生成分布与真实数据分布之间的散度。大量实验结果表明，我们的 TAC-GAN 能在模拟数据上成功复现真实数据分布，并显著提升真实数据集上类条件图像生成的多样性。
引用
@article{arxiv.1907.02690,
title = {Twin Auxiliary Classifiers GAN},
author = {Mingming Gong and Yanwu Xu and Chunyuan Li and Kun Zhang and Kayhan Batmanghelich},
journal= {arXiv preprint arXiv:1907.02690},
year = {2019}
}