用于生成对抗网络的非现实特征抑制
计算机视觉与模式识别
2021-07-26 v1
摘要
由于生成器与判别器之间极小极大博弈的不稳定性质，提升 GAN 的性能是一项具有挑战性的任务。近期研究表明，在训练中选取高质量样本可以提升 GAN 的性能。然而，丢弃样本的采样方法在训练速度和网络最优性等方面表现出局限性。在本文中，我们提出了非现实特征抑制（UFS）模块，该模块保留高质量特征并抑制非现实特征。UFS 模块保持了网络的训练稳定性并提升了生成图像的质量。我们在 WGAN-GP、SNGAN 和 BigGAN 等多种模型上展示了 UFS 模块的有效性。通过使用 UFS 模块，与多种基线模型相比，我们取得了更好的 Frechet inception distance 和 inception score。我们还通过类激活图可视化了我们的 UFS 模块如何有效地抑制非现实特征。
引用
@article{arxiv.2107.11047,
title = {Unrealistic Feature Suppression for Generative Adversarial Networks},
author = {Sanghun Kim and SeungKyu Lee},
journal= {arXiv preprint arXiv:2107.11047},
year = {2021}
}
备注
8 pages, 10 figures