条件生成是生成问题的子类,其中生成的输出由属性信息调节。在本文中,我们提出了一种随机对比条件生成的对抗网络(InfoSCC-GaN),具有易诺的潜在空间。 InfoSCC-GaN架构基于内置于Infonce Paradigm的无监督对比编码器,属性分类器和Eigengan生成器。我们提出了一种新颖的训练方法,基于每次$ N $第-th迭代的外部或内部属性使用外部或内部属性,使用预先培训的对比编码器和预先训练的分类器。基于输入数据和潜在空间表示之间的相互信息最大化以及潜在空间和生成的数据来导出所提出的INFOSCC-GAN。因此,我们展示了训练目标函数与上述信息理论制剂之间的联系。实验结果表明,InfoSCC-GaN在AFHQ和Celeba数据集上的图像生成中优于“vanilla”Eigengan。此外,我们通过进行消融研究调查鉴别员架构和损失功能的影响。最后,我们证明,由于eigengan发电机,所提出的框架与Vanilla确定性GAN相比,与现有框架相比,与Vanilla确定性GAN相比,与Vanilla确定性GAN相反。代码,实验结果和演示可在HTTPS://github.com/vkinakh/infoscc-在线提供。
translated by 谷歌翻译