Damage GAN: A Generative Model for Imbalanced Data

要約

この研究では、不均衡なデータセットのコンテキスト内での敵対的生成ネットワーク (GAN) のアプリケーションを詳しく調査します。
私たちの主な目的は、そのようなデータセットにおける GAN のパフォーマンスと安定性を向上させることです。
この目的を追求するために、GAN と対照学習をシームレスに統合する ContraD GAN フレームワークを基盤とした、Damage GAN として知られる新しいネットワーク アーキテクチャを導入します。
対照学習の利用を通じて、識別器は、提供されたすべてのサンプルを区別できる教師なし表現を開発するように訓練されます。
私たちのアプローチは、視覚表現の対比学習 (SimCLR) のための単純なフレームワークからインスピレーションを得ており、独特の損失関数の定式化につながります。
また、ContraD GAN モデルの最適化をさらに強化するために、自己損傷対比学習 (SDCLR) の実装も検討します。
深層畳み込み GAN (DCGAN) や ContraD GAN などのベースライン モデルとの比較評価では、不均衡なデータセットに適用した場合、生成された画像分布、モデルの安定性、画質の点で、私たちが提案するモデルであるダメージ GAN が明らかに優れていることが実証されました。

要約(オリジナル)

This study delves into the application of Generative Adversarial Networks (GANs) within the context of imbalanced datasets. Our primary aim is to enhance the performance and stability of GANs in such datasets. In pursuit of this objective, we introduce a novel network architecture known as Damage GAN, building upon the ContraD GAN framework which seamlessly integrates GANs and contrastive learning. Through the utilization of contrastive learning, the discriminator is trained to develop an unsupervised representation capable of distinguishing all provided samples. Our approach draws inspiration from the straightforward framework for contrastive learning of visual representations (SimCLR), leading to the formulation of a distinctive loss function. We also explore the implementation of self-damaging contrastive learning (SDCLR) to further enhance the optimization of the ContraD GAN model. Comparative evaluations against baseline models including the deep convolutional GAN (DCGAN) and ContraD GAN demonstrate the evident superiority of our proposed model, Damage GAN, in terms of generated image distribution, model stability, and image quality when applied to imbalanced datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google