在研究论文Conditional Image Synthesis时使用Auxiliary Classifier GANs进行生成图像

Abstract

本研究提出了一种优化的图像生成对抗网络训练策略。通过引入标签条件机制，我们设计出一种GANs的改进形式，成功生成了具备全局一致性的128_128分辨率图像。在参考已有图像质量评估研究成果的基础上，我们进一步引入两种新的分析手段，用于衡量类条件图像合成模型所生成样本的可识别性与多样性。相关分析结果揭示，高分辨率图像能够提供低分辨率图像所不具备的类别信息。在涉及1000个ImageNet类别的实验中，128_128分辨率样本的识别能力相较于人工缩放处理的32*32分辨率样本提升了两倍以上。同时，在所有类别中，有84.7%的类别表现出与真实ImageNet数据相媲美的多样性水平。

1. Introduction

对自然图像结构特征的表征一直是学术界广泛关注的研究方向。自然图像具有内在的不变性质，并呈现出多尺度的统计特性，这些特性在历史上较难进行量化分析(Simoncelli & Olshausen, 2001)。近年来机器学习技术的发展为显著提升图像模型的表现力带来了新的契机。更先进的图像模型有效推动了多个相关领域的技术进步，例如图像去噪(Ball e et al.， 2015)、压缩(Toderici et al.， 2016)、生成(van den Oord et al.， 2016)以及超分辨率(Ledig et al.， 2016)等