استخلاص عينات فعّال من صور واقعية من GANs بشروط فئة معينة أو متغير مستمر

في الآونة الأخيرة، تم دراسة استخلاص عينات أو تحسين جودة الصور الناتجة عن نماذج GAN غير الشرطية بشكل نشط بهدف تحسين الجودة العامة للصور. ومع ذلك، غالبًا ما تُلاحظ فعالية هذه الأساليب منخفضة أو غير كفؤة عند تطبيقها على نماذج GAN الشرطية (cGANs) — سواء كانت شرطية بحسب الفئة (المعروفة بـ class-conditional GANs) أو بحسب متغير مستمر (المعروفة بـ continuous cGANs أو CcGANs). في هذا العمل، نقدّم خطة استخلاص عينات فعّالة وكفؤة، تُسمى "استخلاص العينات المرشحة الموجهة بنسب الكثافة الشرطية" (cDR-RS)، لاستخلاص صور عالية الجودة من نماذج cGANs. بشكل مفصّل، نطوّر أولًا طريقة جديدة لتقدير نسبة الكثافة الشرطية، تُسمى cDRE-F-cSP، من خلال اقتراح دالة خسارة شرطية مُعدّلة تُسمى "الـ Softplus الشرطي" (cSP) وآلية مُحسّنة لاستخراج الميزات. ثم نستنتج حدود الخطأ لنموذج نسبة الكثافة الذي يُدرّس باستخدام دالة الخسارة cSP. في النهاية، نقبل أو نرفض صورة مزيفة بناءً على نسبة الكثافة الشرطية المقدرة لها. كما تم تطوير خطة تصفية لتعزيز اتساق العلامات للصور المزيفة دون فقدان التنوّع عند استخلاص العينات من نماذج CcGANs. قمنا باختبار واسع النطاق لفعالية وكفاءة cDR-RS في استخلاص العينات من كل من نماذج GAN الشرطية حسب الفئة ونماذج CcGANs على خمسة مجموعات بيانات معيارية. عند استخلاص العينات من نماذج GAN الشرطية حسب الفئة، تتفوّق cDR-RS على الطرق الحديثة المتطورة (باستثناء DRE-F-SP+RS) من حيث الفعالية بفارق كبير. على الرغم من أن فعالية cDR-RS غالبًا ما تكون مماثلة لفعالية DRE-F-SP+RS، إلا أن cDR-RS تكون أكثر كفاءة بشكل ملحوظ. أما عند استخلاص العينات من نماذج CcGANs، فإن تفوّق cDR-RS يصبح أكثر وضوحًا من حيث الفعالية والكفاءة معًا. وبشكل لافت، وباستهلاك موارد حسابية معقولة، يمكن لـ cDR-RS تقليل "معدل التصنيف" (Label Score) بشكل كبير دون تقليل تنوع الصور المولّدة من نماذج CcGANs، بينما غالبًا ما تضطر الطرق الأخرى إلى التضحية بجزء كبير من التنوّع لتحقيق تحسن طفيف في معدل التصنيف.