要約
条件付き生成モデルは、過去数年間に著しい進歩を遂げています。その中でも人気のある条件付きモデルの一つが、Auxiliary Classifier GAN (AC-GAN) です。このモデルは、GANの損失関数に補助分類器を追加することで、高精度な画像を生成します。しかし、クラス数が増えるにつれて、AC-GANによって生成されるサンプルの多様性が低下する傾向があり、これにより大規模データに対する適用範囲が制限されます。本論文では、低多様性問題の原因を理論的に特定し、実践的な解決策を提案します。我々は、AC-GANにおける補助分類器が完全な分離性を課すことにより、クラス分布のサポート領域に大きな重複がある場合に不利であることを示します。この問題に対処するために、我々はTwin Auxiliary Classifiers Generative Adversarial Net (TAC-GAN) を提案します。これは新たなプレイヤー（ジェネレータとディスクリミネータ）との相互作用から得られる利点をさらに活用したモデルです。理論的には、TAC-GANが生成された分布と実際のデータ分布間のダイバージェンスを効果的に最小化できることが示されています。広範な実験結果から、我々のTAC-GANはシミュレーションデータ上で真のデータ分布を成功裏に再現できること、および実際のデータセット上でクラス条件付き画像生成の多様性を大幅に向上させることができることが確認されました。