基于无限生成对抗网络的无监督图像生成
计算机视觉与模式识别
2021-08-19 v1
摘要
图像生成在计算机视觉中已被广泛研究，其中一个核心研究挑战是在极少监督下从任意复杂分布生成图像。生成对抗网络（GANs）作为一种隐式方法在该方向上取得了巨大成功，因此被广泛应用。然而，众所周知 GANs 存在模式崩塌、潜空间无结构、无法计算似然等问题。本文提出一种名为无限条件 GAN 混合（mixture of infinite conditional GANs，MIC-GANs）的新型无监督非参数方法，以协同解决若干 GAN 问题，旨在以精简的先验知识进行图像生成。通过在多个数据集上的综合评估，我们表明 MIC-GANs 能有效构建潜空间并避免模式崩塌，且优于当前最优方法。MIC-GANs 具有自适应、通用和鲁棒的特性，为若干众所周知的 GAN 问题提供了有前景的解决方案。代码见：github.com/yinghdb/MICGANs。
引用
@article{arxiv.2108.07975,
title = {Unsupervised Image Generation with Infinite Generative Adversarial Networks},
author = {Hui Ying and He Wang and Tianjia Shao and Yin Yang and Kun Zhou},
journal= {arXiv preprint arXiv:2108.07975},
year = {2021}
}
备注
18 pages, 11 figures