cGANs mit Multi-Hinge-Loss

Wir schlagen einen neuen Algorithmus vor, um klassenbedingte Informationen in den Kritiker von GANs über eine mehrklassige Verallgemeinerung der üblicherweise verwendeten Hinge-Loss-Funktion einzubringen, die sowohl mit überwachten als auch halbüberwachten Szenarien kompatibel ist. Wir untersuchen das Zusammenspiel zwischen der Ausbildung eines state-of-the-art-Generators und eines genauen Klassifikators gleichzeitig und schlagen eine Methode vor, unseren Algorithmus dazu zu nutzen, den Grad der Klassenbedingtheit eines Generators und Kritikers zu messen. Wir zeigen die Abwägung zwischen einer Generator-Kritiker-Paarung, die Klassenbedingungen berücksichtigt, und der Erzeugung von Bildern höchster Qualität. Durch unsere Modifikation mittels Multi-Hinge-Loss gelingt es uns, die Inception-Scores und die Fréchet-Inception-Distanz auf dem ImageNet-Datensatz zu verbessern. Den TensorFlow-Code stellen wir unter https://github.com/ilyakava/gan zur Verfügung.