Bedingte Bildsynthese mit Hilfsklassifizierer-GANs

Die Synthese hochaufgelöster, fotorealistischer Bilder stellt seit langem eine Herausforderung im maschinellen Lernen dar. In dieser Arbeit stellen wir neue Methoden zur verbesserten Schulung von generativen adversären Netzen (GANs) für die Bildsynthese vor. Wir entwickeln eine Variante von GANs, die durch Label-Konditionierung globale Kohärenz in Bildproben mit einer Auflösung von 128x128 Pixeln erzielt. Wir bauen auf früherer Arbeit zur Bewertung der Bildqualität auf und führen zwei neue Analysen ein, um die Unterscheidbarkeit und Vielfalt der Proben aus klassenbedingten Bildsynthese-Modellen zu bewerten. Diese Analysen zeigen, dass hochaufgelöste Proben Klasseninformationen liefern, die in niedrigauflösenden Proben nicht vorhanden sind. Über 1000 ImageNet-Klassen hinweg sind 128x128-Proben mehr als doppelt so unterscheidbar wie künstlich vergrößerte 32x32-Proben. Darüber hinaus weisen 84,7 % der Klassen Proben auf, deren Vielfalt der echten ImageNet-Daten vergleichbar ist.