当关系网络遇见 GAN：基于三元组损失的关系 GAN
计算机视觉与模式识别
2020-03-18 v3 机器学习
图像与视频处理
摘要
尽管近期研究在利用生成对抗网络（GANs）生成逼真图像方面取得了显著进展，但训练稳定性不足仍是大多数 GAN 挥之不去的隐患，尤其在高分辨率输入和复杂数据集上。由于随机生成分布很难与真实分布重叠，训练 GAN 常受梯度消失问题困扰。已有大量方法通过经验技术（如权重裁剪、梯度惩罚、谱归一化等）约束判别器能力来解决此问题。本文提供了一种更具原则性的方法作为该问题的替代方案。我们不直接训练判别器区分真实与虚假输入样本，而是通过学习成对样本间的关系，训练判别器分离来自同一分布的成对样本与来自不同分布的成对样本。为此，我们为判别器探索了一种关系网络架构，并设计了一种具有更好泛化性与稳定性的三元组损失。在基准数据集上的大量实验表明，所提出的关系判别器与新损失可在包括无条件与有条件图像生成及图像翻译在内的多种视觉任务上提供显著改进。
引用
@article{arxiv.2002.10174,
title = {When Relation Networks meet GANs: Relation GANs with Triplet Loss},
author = {Runmin Wu and Kunyao Zhang and Lijun Wang and Yue Wang and Pingping Zhang and Huchuan Lu and Yizhou Yu},
journal= {arXiv preprint arXiv:2002.10174},
year = {2020}
}
备注
13 pages