摘要
条件生成对抗网络（Conditional GANs）在自然图像合成领域处于前沿地位。这类模型的主要缺点是需要标注数据。在这项工作中，我们利用了两种流行的无监督学习技术——对抗训练和自监督学习，朝着弥合条件GAN与无条件GAN之间差距的方向迈出了一步。具体而言，我们允许网络在表示学习任务上进行协作，同时在经典的GAN游戏中保持对抗关系。自监督的作用是促使判别器学习有意义的特征表示，并且在训练过程中不会遗忘这些特征。我们通过实验证明了所学图像表示的质量以及合成图像的质量。在相同的条件下，自监督GAN达到了与最先进的条件模型相当的性能。最后，我们展示了这种完全无监督的学习方法可以扩展到实现无条件ImageNet生成的FID评分为23.4。