【每日论文】GenCo: Generative Co-training for Generative Adversarial Networks with Limited Data

研究背景：

 

1. 当前生成对抗网络在许多图像任务中取得了不错的效果，但是需要大量的训练数据；

2. 目前关于小数据集的训练存在判别器容易过拟合的问题；

---

创新点：

该论文主要对有限数据集训练下容易导致判别器的过拟合问题展开了研究，引入了多互补鉴别器，在训练过程中，从不同的角度提供监督信息。主要表现为：权重差异和数据差异两个方面。

---

网络结构：

论文网络结构主要包括了四个部分：采样、生成、权重差异共同训练和数据差异共同训练四个部分。权重差异和数据差异是文中提出的用于解决小数据集下判别器过拟合的问题。

Weight-Discrepancy Co-training（WeCo）：

WeCo的目的是通过两个判别器D1和D2的参数，采用参数多样化的想法，作者定义了权重差异损失，提取两个判别器的参数计算其余旋距离，其计算公式如下所示：

Lwd计算的是两组参数的余旋夹角，值越小，夹角越大，说明两组参数的距离越远，这在一定程度上抑制了判别器的过拟合。因为当一个趋于过拟合状态时候，权重差异损失会减缓另一个判别器的过拟合。

D1和D2的损失函数计算如下所示，关于权重差异损失加在D1项和D2项都没有什么区别。

 其中，Ld为判别损失：

最后，WeCo总的损失为：

论文代码关于权重差异损失Lwd的计算如下：

 W5 = None
 W6 = None
 for (w5, w6) in zip(self.D.parameters(), self.D2.parameters()):
     if W5 is None and W6 is None:
        W5 = w5.view(-1)
        W6 = w6.view(-1)
     else:
        W5 = torch.cat((W5, w5.view(-1)), 0)
        W6 = torch.cat((W6, w6.view(-1)), 0)
        
 loss_weight = (torch.matmul(W5, W6) / (torch.norm(W5) * torch.norm(W6)) + 1) 

Data-Discrepancy Co-training（DaCo）:

DaCo训练是从图像不同的视角进行协同判别，采用了D1和D3两个判别器，D1判别器和WeCo中的判别器是参数共享的，D3以原图的部分频率分量为输入（partial frequency components）。D1和D3的判别损失如下：

 DaCo的总损失：

 为什么GenCo是有效的？

1. GenCo在训练的过程中，即使一个判别器出现了过拟合，但是由于其他的判别器具有不同的参数和输入信息，其会去学习更加复杂的结构信息等，如下图，论文作者可视化了三个判别器学习的重点信息分布，从图中可以看出，三个判别器学习到的信息是互补的。图中，D1更多注意面部的风格，如：颜色、亮度等；D2更多注意在面部的细节，如：皱纹、面部轮廓等；D3注意在面部的表情，如：眼睛、嘴巴等。

 2. 文章作者分析了，当判别器损失较小时会使生成器的损失较大，导致训练处于发散状态。如下图所示。文章的WeCo和DaCo减小了判别器的过拟合，减小了生成器的损失，缓解了训练过程中的发散问题。

---

 论文实验：

论文作者提供大量的实验及评价指标验证了GenCo的有效性。主要在CI-FAR，100-shot，AFHQ， FFHQ and LSUN-Cat数据集上进行了实验。

Experments on 100-shot and AFHQ：

从表1可以看出，GenCo的FID分数优于现有的先进方法。

从图3的视觉结果可看出，GenCo在使用数据增强的情况下，生成结果的真实性明显由于DA的结果。

 Experiments on CIFAR-10 and CIFAR-100：

 Experiments on FFHQ and LSUN-Cat：

Ablation study：

---

 讨论：

论文不仅在不同的数据集和评价指标上进行了实验展示，用于也将GenCo的方法与正则化技术进行组合，得到了不错的效果，加入GenCo以后基线模型的效果有了很大的提升。

 作者还将GenCo应用在不同的基线模型上，验证了GenCo的优越性。

---

 总结：

1. D1、D2、D3关注的信息不同，相当于提升网络整体的判别能力；

2. 论文从不同的基线模型和数据集上验证了GenCo的有效性，实验展示丰富；