摘要
生成对抗网络（Generative Adversarial Networks, GANs）在图像合成领域取得了显著进展，然而当训练数据量有限时，其合成质量会显著下降。为提升GAN训练的数据效率，以往方法通常采用数据增强技术以缓解判别器的过拟合问题，但依然让判别器执行二分类任务（即真实图像与虚假图像的区分）。在本工作中，我们提出一种基于实例判别（instance discrimination）的数据高效图像生成方法——实例生成（Instance Generation, InsGen）。具体而言，除了区分真实数据域与生成数据域之外，判别器还需能够识别每一个独立的图像样本，无论其来自训练集还是生成器。通过这种方式，判别器可从无限数量的合成样本中获益，从而缓解因训练数据不足导致的过拟合问题。为进一步增强判别器的判别能力，我们引入了一种噪声扰动策略。同时，判别器所学习到的实例判别能力也被反向利用，以促进生成器产生更具多样性的图像。大量实验结果表明，该方法在多种数据集和训练设置下均表现出优异性能。尤为显著的是，在FFHQ数据集仅使用2,000张训练图像的设置下，我们的方法相较当前最优方法实现了23.5%的FID指标提升。