ComGAN: Toward GANs Exploiting Multiple Samples

要約

タイトル：ComGAN：複数サンプルを活用するGANに向けて

要約：

– 本論文では、比較サンプル（例：実際のデータ）の意味を比較することにより、GANの生成器が参照できるようにするComparativeGAN（ComGAN）を提案しています。
– ComGANは、任意のアーキテクチャを使用することで、relativistic GANsを一般化しており、入力連結アーキテクチャではrelativistic GANsを大幅に上回る性能を発揮します。
– ComGANにおいて、識別器をトレーニングするための equality regularization も提案しています。equality regularization は、同じように本物または偽物のサンプルに中立的なラベルを適合させることで、ComGANのパフォーマンスを大幅に向上させるだけでなく、既存の正則化法に比べて非常に単純です。
– 最後に、relativistic GANsにおいて固定された比較サンプルを偽のデータに一般化し、理論と実践の両方でそのような目標が正当であることを示しています。
– 実験では、7つの異なる損失とデータに対して、普通のGANとrelativistic GANsに比べて最高のFIDを達成し、ComGANと equality regularization の優れたパフォーマンスを示しました。

要約(オリジナル)

In this paper, we propose ComGAN(ComparativeGAN) which allows the generator in GANs to refer to the semantics of comparative samples(e.g. real data) by comparison. ComGAN generalizes relativistic GANs by using arbitrary architecture and mostly outperforms relativistic GANs in simple input-concatenation architecture. To train the discriminator in ComGAN, we also propose equality regularization, which fits the discriminator to a neutral label for equally real or fake samples. Equality regularization highly boosts the performance of ComGAN including WGAN while being exceptionally simple compared to existing regularizations. Finally, we generalize comparative samples fixed to real data in relativistic GANs toward fake data and show that such objectives are sound in both theory and practice. Our experiments demonstrate superior performances of ComGAN and equality regularization, achieving the best FIDs in 7 out of 8 cases of different losses and data against ordinary GANs and relativistic GANs.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI