cGANs à perte multi-équerre

Nous proposons un nouvel algorithme permettant d’intégrer des informations conditionnelles par classe dans le critique des GANs, au moyen d’une généralisation multi-classes de la perte hinge couramment utilisée, compatible à la fois avec les cadres supervisés et semi-supervisés. Nous étudions le compromis entre l’entraînement d’un générateur de pointe et d’un classificateur précis en même temps, et proposons une méthode pour utiliser notre algorithme afin de mesurer le degré de conditionnalité par classe atteint par un générateur et un critique. Nous mettons en évidence le compromis entre un couple générateur-critique respectant les entrées conditionnelles par classe et la génération d’images de meilleure qualité. Grâce à notre modification basée sur la perte hinge multi-classes, nous parvenons à améliorer les scores Inception et la distance de Fréchet Inception sur le jeu de données ImageNet. Nous mettons à disposition notre code TensorFlow à l’adresse suivante : https://github.com/ilyakava/gan.