科研之友
微信
新浪微博
Facebook
分享链接
摘要
渐进式增长生成对抗网络（PGGAN）是一种能够生成高分辨图像的网络模型，但是当样本间的类别不平衡或者样本类别过于相似或不相似时，容易出现模式崩溃现象而导致生成效果不佳。提出一种渐进式增长条件生成对抗网络（PGCGAN）模型，将条件生成对抗网络的思想引入PGGAN，在PGGAN的基础上加入类别信息作为条件，在网络结构和小批量标准差两个方面对PGGAN进行了改进，缓解图像生成过程中的模式崩溃现象。在对3个数据集的实验中，相比于PGGAN,PGCGAN在起始分数（IS）和Fréchet距离（FID）两个评价图像生成的指标方面都有较大程度的提升，生成的图像具有更高的多样性和真实性；且PGCGAN可以同时训练多个无关联的数据集而不崩溃，在类别不平衡或数据过于相似和不相似的数据集中均能产生高质量的图像。
- 单位
