Génération d'instances efficace en données à partir de la discrimination d'instances

Les réseaux antagonistes génératifs (GANs) ont considérablement progressé dans la synthèse d’images, mais la qualité de la synthèse diminue fortement lorsque la quantité de données d’entraînement est limitée. Afin d’améliorer l’efficacité des données lors de l’entraînement des GANs, les travaux antérieurs utilisent généralement une augmentation des données pour atténuer le surajustement du discriminateur, tout en maintenant pour celui-ci une tâche de classification binaire (réel vs. faux). Dans ce travail, nous proposons une méthode efficace en données pour la génération d’instances (InsGen), fondée sur la discrimination d’instances. Plus précisément, outre la distinction entre le domaine réel et le domaine simulé, le discriminateur est contraint de différencier chaque image individuelle, qu’elle provienne du jeu de données d’entraînement ou du générateur. Ainsi, le discriminateur peut tirer parti d’un nombre infini d’échantillons synthétisés pour son entraînement, atténuant ainsi le problème de surajustement lié à un manque de données d’entraînement. Une stratégie de perturbation par bruit est également introduite pour renforcer sa capacité discriminative. Par ailleurs, la capacité d’identification d’instances apprise par le discriminateur est exploitée en retour pour encourager le générateur à produire des sorties plus diversifiées. Des expériences étendues démontrent l’efficacité de notre méthode sur divers jeux de données et configurations d’entraînement. Notamment, dans le cas de 2 000 images d’entraînement provenant du jeu de données FFHQ, nous surpassons l’approche de pointe actuelle avec une amélioration de 23,5 % en FID.