高保真图像生成所需标签较少

深度生成模型正成为现代机器学习的基石。近期关于条件生成对抗网络的研究表明，学习自然图像上的复杂、高维分布已成为可能。尽管最新的模型能够在高分辨率下生成高质量、多样化的自然图像，但它们依赖于大量的标注数据。在本研究中，我们展示了如何利用最近在自监督和半监督学习方面的进展，在无监督ImageNet合成以及条件设置下均超越现有最先进水平。特别是，所提出的这种方法能够在仅使用10%的标签的情况下，匹配当前最先进的条件模型BigGAN在ImageNet上的样本质量（以FID指标衡量），并在使用20%的标签时超越其性能。