简介:这是一篇CVPR2019 的文章,作者很巧妙的通过引入自监督的方法,既解决了原始gan不稳定的问题(遗忘的问题),也解决了conditional gan需要标签数据的问题。
这个方法的主要目的:让判别器学习到一些有用的,稳定的,不受当前生成器影响的特征。
1.Abstract
Problem: gan网络因为他的遗忘性,造成不稳定。所以 引入条件Gan,但是条件gan需要带有标签的数据。
Method: 两个无监督学习技术融合,对抗训练和自监督
(具体的允许网络在特征学习任务上进行协作,而在经典的GAN任务中处于敌对状态。监督的作用是鼓励判别器学习有意义的、不会在训练中被遗忘的特征代表)
results: 取得和条件GAN相同的结果
2.Introduction
介绍了GAN网络,以及不稳定的原因。并列举了几个解决的办法.
3. A Key Issue: Discriminator Forgetting
4.Method 部分( The Self-Supervised GAN)
赋予判别器一种机制,让判别器学习到有用的特征,并且不受当前生成器的质量。这个机制就是自监督的方法(图像旋转)。
论文中的网络总图
引入自监督前后的效果。
Collaborative Adversarial Training: