Réseaux de Génération Adversariaux Empilés

Dans cet article, nous proposons un nouveau modèle génératif nommé Stacked Generative Adversarial Networks (SGAN), qui est formé pour inverser les représentations hiérarchiques d'un réseau discriminatif bottom-up. Notre modèle se compose d'une pile de GANs orientée top-down, chaque GAN étant appris à générer des représentations de niveau inférieur conditionnées par des représentations de niveau supérieur. Un discriminateur de représentation est introduit à chaque niveau de la hiérarchie des caractéristiques pour encourager le variété de la représentation du générateur à s'aligner avec celui du réseau discriminatif bottom-up, en utilisant les puissantes représentations discriminatives pour guider le modèle génératif. De plus, nous introduisons une perte conditionnelle qui favorise l'utilisation d'informations conditionnelles provenant du niveau supérieur, ainsi qu'une nouvelle perte d'entropie qui maximise une borne inférieure variationnelle sur l'entropie conditionnelle des sorties du générateur. Nous formons d'abord chaque pile indépendamment, puis nous formons l'ensemble du modèle de manière end-to-end. Contrairement au GAN original qui utilise un unique vecteur de bruit pour représenter toutes les variations, notre SGAN décompose les variations en plusieurs niveaux et résout progressivement les incertitudes dans le processus génératif top-down. Sur la base d'une inspection visuelle, des scores Inception et d'un test visuel Turing, nous démontrons que l'SGAN est capable de générer des images de bien meilleure qualité que les GANs sans empilement.