Conditional GANs with Auxiliary Discriminative Classifier

要約

条件付き生成モデルは、条件付きデータ生成を実現するために、データとラベルの基本的な同時分布を学習することを目的としています。
その中で、補助分類器生成敵対的ネットワーク（AC-GAN）が広く使用されていますが、生成されたサンプルのクラス内多様性が低いという問題があります。
この論文で指摘されている根本的な理由は、AC-GANの分類器が生成器に依存しないため、生成器が同時分布に近づくための有益なガイダンスを提供できず、結果としてクラス内を減少させる条件付きエントロピーが最小化されることです。
多様性。
この理解に動機付けられて、上記の問題を解決するために、補助識別分類器（ADC-GAN）を備えた新しい条件付きGANを提案します。
具体的には、提案された補助識別分類器は、実際のデータと生成されたデータのクラスラベルを識別的に認識することにより、ジェネレータを認識します。
私たちの理論的分析は、ジェネレータが元の弁別器がなくても同時分布を忠実に学習できることを明らかにし、提案されたADC-GANを係数ハイパーパラメータの値とGAN損失の選択に対してロバストにし、トレーニング中に安定させます。
合成データセットと実世界のデータセットに関する広範な実験結果は、最先端の分類器ベースおよび射影ベースの条件付きGANと比較して、条件付き生成モデリングにおけるADC-GANの優位性を示しています。

要約(オリジナル)

Conditional generative models aim to learn the underlying joint distribution of data and labels to achieve conditional data generation. Among them, the auxiliary classifier generative adversarial network (AC-GAN) has been widely used, but suffers from the problem of low intra-class diversity of the generated samples. The fundamental reason pointed out in this paper is that the classifier of AC-GAN is generator-agnostic, which therefore cannot provide informative guidance for the generator to approach the joint distribution, resulting in a minimization of the conditional entropy that decreases the intra-class diversity. Motivated by this understanding, we propose a novel conditional GAN with an auxiliary discriminative classifier (ADC-GAN) to resolve the above problem. Specifically, the proposed auxiliary discriminative classifier becomes generator-aware by recognizing the class-labels of the real data and the generated data discriminatively. Our theoretical analysis reveals that the generator can faithfully learn the joint distribution even without the original discriminator, making the proposed ADC-GAN robust to the value of the coefficient hyperparameter and the selection of the GAN loss, and stable during training. Extensive experimental results on synthetic and real-world datasets demonstrate the superiority of ADC-GAN in conditional generative modeling compared to state-of-the-art classifier-based and projection-based conditional GANs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google