你的GAN暗含为一个基于能量的模型且应使用判别器驱动的隐空间采样
机器学习
2021-07-08 v3 人工智能
机器学习
摘要
我们表明，当生成器不完美而判别器最优时，GAN的隐式生成器对数密度 与判别器的logit分数之和定义了一个能量函数，该函数给出真实数据密度，从而得以在典型生成器（隐式密度 ）基础上进行改进。为使该方法实用，我们表明从该修正密度采样可通过依据由隐空间先验对数密度与判别器输出分数之和诱导的基于能量的模型在隐空间采样来实现。这可通过在隐空间运行Langevin MCMC然后施加生成器函数完成，我们称之为判别器驱动的隐空间采样（DDLS）。我们表明DDLS相较于先前在高维像素空间工作的方法极为高效，并可应用于改进许多类型的预训练GAN。我们在合成与真实世界数据集上从定性与定量两方面评估DDLS。在CIFAR-10上，DDLS将现成的预训练SN-GAN~\citep{sngan}的Inception Score从 大幅提升至 ，甚至可与类条件BigGAN~\citep{biggan}模型媲美。这在不引入额外参数或额外训练的情况下，于无条件图像合成设定中达到了新的SOTA。
引用
@article{arxiv.2003.06060,
title = {Your GAN is Secretly an Energy-based Model and You Should use Discriminator Driven Latent Sampling},
author = {Tong Che and Ruixiang Zhang and Jascha Sohl-Dickstein and Hugo Larochelle and Liam Paull and Yuan Cao and Yoshua Bengio},
journal= {arXiv preprint arXiv:2003.06060},
year = {2021}
}