這里寫目錄標題

• Abstract
• 1. Introduction
• 2. Style-bias in GANs
• 2.2. Baseline: On-the-fly stylization
• 3. Proposed method
• 3.1. Preliminary: AdaIN
• 3.2. Feature statistics mixing regularization
• 3.3. Visualizing the effect of FSM
• 4. Experiments
• 4.1. Comparison with the on-the-fly stylization
• 4.2. Standard datasets
• 4.3. Small datasets.
• 5. Related Work
• 6. Limitation and Discussion
• 7. Conclusion
• References

Abstract

在生成對抗網絡中，改進鑒別器是提高生成性能的關鍵因素之一。由于圖像分類器偏向于紋理，而消隱提高了準確性，我們研究了1）鑒別器是否有偏差，以及2）如果消隱鑒別器將提高生成性能。事實上，我們發現經驗證據表明，鑒別器對圖像的風格（例如紋理和顏色）很敏感。作為補救措施，我們提出了特征統計混合正則化（FSMR），鼓勵鑒別器的預測對輸入圖像的樣式保持不變。具體而言，我們在鑒別器的特征空間中生成原始圖像和參考圖像的混合特征，并應用正則化，以便混合特征的預測與原始圖像的預測一致。我們進行了大量實驗，以證明我們的正則化降低了對樣式的敏感性，并持續改進了九個數據集上各種GAN架構的性能。此外，將FSMR添加到最近提出的基于增強的GAN方法中，進一步提高了圖像質量。我們的代碼位于 https://github.com/naver-ai/FSMR.

1. Introduction

生成性對抗網絡（GANs）[8]在過去幾年中取得了重大發展，實現了許多計算機視覺和圖形應用[4、5、14、22、23、25、31、44]。在精心設計的體系結構之上[3、18、20、21、30、32、40]，特定于GanS的數據增強和正則化技術是改進的關鍵。正則化技術[9,15–17,28,29,41,43]通過懲罰輸入局部區域內鑒別器輸出的急劇變化來穩定訓練動態。另一方面，數據增強技術[19，42]防止了鑒別器過度擬合，正如《分類法》中通常采用的那樣?通訊作者。干線。請注意，這兩項工作都旨在指導鑒別器不要專注于觀察的特定子集，而是概括整個數據分布。

紋理已經被證明為分類器提供了強有力的提示[6,7,10]。如果這樣的提示足以達到高精度，那么模型往往無法了解預期任務的復雜性[2]。由于GAN鑒別器本質上是分類器，我們假設它們也傾向于依賴紋理來分類真假圖像。因此，生成器將專注于合成被偏置鑒別器視為真實的紋理。在本文中，我們回答了兩個問題：1）鑒別器是否對風格（例如紋理和顏色）敏感？2）如果是，對鑒別器進行借記是否會提高生成性能？

為了回答第一個問題，我們定義了樣式距離，如圖1a所示。理想的鑒別器會產生較小的樣式距離，因為兩幅圖像具有相同的內容。由于沒有度量單位，我們計算相對距離：樣式距離除以內容距離。換句話說，我們用不同內容的圖像之間距離的倍數來衡量對風格的敏感性。令人驚訝的是，圖1b顯示所有基線在相對距離上都有明顯的值。

為了回答第二個問題，我們使用debias作為鑒別器并衡量生成性能的改善。借記的一種簡單方法是抑制鑒別器輸出中與輸入圖像樣式變化相關的差異。事實上，我們觀察到，在原始圖像與其樣式化版本之間的鑒別器上施加一致性損失[41,43]可以改進生成器，因為模仿內容比模仿樣式更容易欺騙鑒別器。

然而，這種方法導致了其他困難：選擇樣式圖像的標準不明確，并且使用各種樣式引用對所有訓練圖像進行樣式化需要巨大的計算負擔和外部樣式數據集。為了有效解決風格偏差問題，我們提出了特征統計混合正則化（FSMR），通過在discrim1 arXiv:2112.04120v2[cs.CV]2022年3月25日的inator中混合特征統計，鼓勵鑒別器的預測對輸入圖像的風格保持不變。具體來說，我們通過在鑒別器的中間層中組合原始和參考特征來生成混合特征，并在原始和混合特征的預測之間施加一致性。

在實驗中，我們表明FSMR確實誘導鑒別器降低了對風格的敏感性（第4.1節）。然后，我們進行了徹底的比較，以證明FSMR持續改進了基準數據集上的各種GAN方法（第4.2節）。我們的方法可以很容易地應用于任何環境，無需繁瑣的準備工作。我們的實現和模型將在研究社區的網上公開。我們的貢獻總結如下：

• 據我們所知，我們的工作是第一次對性別歧視者進行風格偏差分析我們定義了相對距離度量來衡量對樣式的敏感性（第2節）
• 我們提出了特征統計混合正則化（FSMR），這使得鑒別器的預測對樣式具有魯棒性（第3節）
• FSMR不使用外部樣式圖像，優于使用外部樣式圖像的簡單解決方案（第4.1節）。
• FSMR改進了關于FID和相對距離的所有標準和小型數據集的五條基線（第4.2、4.3節）。

2. Style-bias in GANs

我們的工作是基于最近的發現，即CNN對風格而非內容敏感，即當風格線索和內容線索發生沖突時，ImageNettrained CNN可能會做出風格偏向的決定[7]。為了定量測量鑒別器對樣式的敏感程度，我們計算樣式距離、內容距離，然后計算相對距離。之后，我們描述了一個簡單的基線解決方案，以減少鑒別器與樣式的距離。

我們為鑒別器對風格的敏感程度定義了一個定量度量。首先，給定一組訓練圖像，我們使用樣式轉換方法合成相同內容的不同樣式化圖像。這些樣式是從WikiArt中隨機選擇的【1】。圖1a顯示了AFHQ的一些樣式化圖像示例【5】。我們定義了具有不同樣式和相同內容的圖像之間的樣式距離ds。內容距離dc的定義與此相反：

圖1.（a） 樣式轉換方法T（c，s）將s的樣式轉換為c的內容。我們將樣式距離定義為由于樣式變化而產生的輸出差異。內容距離是定義的，反之亦然。（b） 各種GAN方法的相對距離。相對距離表示鑒別器對樣式變化的敏感程度（等式3）。詳見第2節。

其中T（c，s）傳輸參考圖像s的樣式∈ RC×H×W到內容圖像c∈ RC×H×W和d測量鑒別器最后一個特征向量中的余弦距離。在實踐中，我們使用自適應實例規范化（AdaIN）[13]作為T。圖1說明了公式（1）和（2）中計算內容和樣式距離的過程。

由于沒有測量單位，我們計算相對距離ρ，即樣式距離除以內容距離：

其中C和S分別表示訓練數據集和外部樣式數據集。ρ值越大，在對真假圖像進行分類時，鑒別器對樣式越敏感。從這里開始，我們將使用相對距離ρ進行進一步分析。我們的目標是減少樣式距離，以便鑒別器認為內容更重要，并為生成器生成更豐富的梯度。

ImageNet預訓練的ResNet50和用于分類樣式化ImageNet ResNet50的相對距離[7]支持度量的有效性。由于后者的相對距離小于前者，且后者被證明不太偏向于風格，我們認為相對距離較低的鑒別器對風格的敏感度較低（數字推遲到第4.2節）。

2.2. Baseline: On-the-fly stylization

防止分類器偏向于樣式的一種眾所周知的技術是使用樣式轉換版本來增強圖像，尤其是使用WikiArt數據集[1]作為樣式引用[7]。它之所以有效，是因為風格轉換不會改變原始圖像的語義或網絡的預期輸出。另一方面，在GAN訓練中，樣式轉換將圖像從原始數據分布中移出，從而改變鑒別器的預期輸出【19】。對于這種陷阱，有兩種解決方法：1）對真實和虛假數據應用隨機增強[19，42]，2）懲罰由增強引起的輸出差異，而不是將增強的圖像提供給鑒別器[41，43]。由于我們的目標是使鑒別器對樣式變化不那么敏感，因此我們將第二種方法作為簡單的基線，例如，通過以下方式對原始圖像c及其隨機樣式化圖像T（c，s）之間的鑒別器施加一致性.

其中D（.）表示來自鑒別器的logit。然而，這也帶來了其他問題和困難：選擇樣式圖像的標準尚不明確，并且動態設置每個圖像的樣式需要額外的成本和外部數據集。另一種選擇是準備一個樣式化的數據集，而不是動態樣式化，但它還需要非常大的存儲空間。為了解決這一問題，我們提出了一種有效且普遍有效的方法，即特征混合統計正則化，其詳細信息將在接下來的3節中描述。

3. Proposed method

我們首先對傳統的風格轉換算法AdaIN進行了初步描述。然后，我們討論了我們提出的特征統計混合正則化（FSMR）方法如何結合AdaIN來降低鑒別器對樣式的敏感性。

3.1. Preliminary: AdaIN

實例規范化（IN）[35]通過規范化特征統計信息來執行一種形式的樣式刪除。Adaptive instance normalization（AdaIN）[13]擴展到從內容圖像中刪除現有樣式并傳輸給定樣式。具體而言，AdaIN將內容特征貼圖x轉換為特征貼圖，其通道方向的均值和方差與樣式特征貼圖y的均值和方差相同：

其中x，y∈ RC×H×W是通過預訓練編碼器獲得的特征，μ（·）和σ（·）表示它們的平均值和標準偏差，它們分別是為每個通道計算的空間尺寸。然后，通過一個經過適當訓練的解碼器，變換后的特征成為一幅風格化的圖像1。為了提高發電性能，在發電機內采用AdaIN進行了大量工作【5、14、20、22、23、25】。相反，我們提出的方法（FSMR）在鑒別器中使用它來實現高效正則化，如下所述。

3.2. Feature statistics mixing regularization

我們的目標是使鑒別器不嚴重依賴輸入圖像的樣式，而不會遇到即時樣式化的困難（第2.2節）。因此，我們提出了特征統計混合正則化（FSMR），它不需要任何外部數據集，并且可以根據鑒別器中的層操作有效地實現。FSMR使用另一個訓練樣本在鑒別器中混合中間特征映射的平均值和標準偏差，并懲罰原始輸出和混合輸出之間的差異。
具體而言，我們將特征映射x相對于特征映射y的特征統計混合（FSM）定義為AdaIN，然后進行線性插值：


其中α～ 均勻（0，1）控制特征擾動的強度。我們假設，改變α可以讓鑒別器從各種正則化強度中學習。
將鑒別器的第i層表示為fi，將內容圖像表示為c，將樣式參考圖像表示為s（從當前小批量樣本中隨機選擇），我們通過FSM的前饋操作定義混合特征映射x和y：

然后，混合前饋通過具有n個卷積層的鑒別器的最終輸出logit變為：

給定原始輸出D（c）和混合輸出DFSM（c，s），我們將以損失來懲罰其差異：

圖2展示了FSMR的完整圖。在更新鑒別器參數時，該損失被添加到對抗性損失中[8]。它對鑒別器進行正則化，以在不同層次的特征的不同統計下產生一致的輸出。我們的LFSMR設計是通用的，因此可以與其他方法相結合【19、20、42】。如算法1所示，FSM只需幾行代碼即可實現。此外，我們在附錄C中提供了FSMR的類Tensorflow偽代碼。

3.3. Visualizing the effect of FSM

為了直觀地檢查FSM在鑒別器中的效果，我們訓練了一個解碼器（與AdaIN[13]的結構相同），該解碼器從原始鑒別器的32×32特征映射重建原始圖像。
在圖3中，內容圖像通過與樣式圖像相關的所有層上具有FSM的鑒別器，以生成樣式化（即FSMed）中間特征。然后，學習解碼器根據FSMed特征合成結果圖像。
FSMed圖像具有與樣式圖像相似的全局樣式，但包含內容圖像的語義。它的效果與AdaIN相似，但能更好地保留內容的細節。我們認為，鑒別器的關鍵是能夠為生成器提供更真實的圖像梯度，從而獲得比即時樣式化基線更高質量的圖像（第4.1節）。

4. Experiments

我們使用五種GAN方法，如DCGAN【32】、bCRGAN【43】、StyleGAN2【21】、DiffAugment【42】和ADA【19】，對CIFAR-10【26】、FFHQ【20】、AFHQ【5】、CelebA HQ【18】、LSUN Church【37】和MetFaces【19】的六個數據集進行了廣泛的實驗。我們根據最近的實驗設置選擇數據集和基線方法【19,42】。我們使用相對距離ρ（公式3）、弗雷切特起始距離（FID）[11]和起始分數（IS）[33]作為評估指標。當我們計算FID時，我們使用所有的訓練樣本和相同數量的假樣本。所有基線方法都是使用作者提供的官方實現進行培訓的。詳見附錄A。接下來，我們將進行徹底的實驗，以證明我們的方法優于簡單的解決方案和基線。

4.1. Comparison with the on-the-fly stylization

在本節中，我們將我們的方法與on-Offly樣式化進行比較，即在訓練期間通過AdaIN生成樣式化圖像并應用一致性正則化（第2.2節）。為了實現這一點，我們從WikiArt[1]中收集了100幅樣式圖像，并隨機抽取一幅，在培訓期間對每幅圖像進行樣式化。請注意，與on-thefly樣式化不同，FSMR不依賴外部樣式圖像。我們在五個基準數據集上進行了實驗：CIFAR-10、CelebA HQ、FFHQ、AFHQ和LSUN Church。

表1比較了FID中正則化、動態樣式化和FSMR的效果。與基線相比，前者在一定程度上改善了FID，但在所有情況下，FSMR帶來的改善都更大。有關與其他網絡和數據集的比較，請參見附錄F。

為了測量鑒別器對樣式的敏感性，我們計算每種方法的相對距離ρ（公式3）。圖4顯示了CIFAR-10、FFHQ和AFHQ上的相對距離。正如人們很容易預料的那樣，利用樣式化的數據集會降低鑒別器對樣式的敏感性。值得注意的是，FSMR不僅持續降低敏感性，而且在所有情況下都優于競爭對手。這是一個非常有意義的結果，因為FSMR不使用任何外部樣式化的數據集，但在訓練期間只使用原始圖像。我們還觀察到，在相同的環境中，較低的相對距離與較低的FID一致。

我們比較了表1中的時間和內存成本。FSMR要求3.0～7.4%的額外訓練時間，但飛行訓練法需要17.2～26.8%的額外訓練時間用于圖像樣式化中的額外前饋傳遞。此外，動態方法需要70.0～87.5%的額外GPU內存用于存儲預訓練的網絡和圖像樣式化功能，但FSMR只增加了微不足道的內存(～2%）GPU內存。為了避免在培訓期間進行動態樣式化的額外成本，我們可以在培訓之前準備樣式化數據集（即，不同的方法，但與動態樣式化具有相同的效果）。然而，如表2所示，提前進行一對多樣式化需要大量計算和令人望而卻步的大量存儲。例如，要為具有100個樣式引用的1024×1024 FFHQ構建樣式化數據集，我們需要處理和存儲7.0M（70k×100）以上的圖像（8.93TB）。

作為一項消融研究，我們推進了更嚴格的正則化：使用隨機移動的特征映射代替FSM。我們觀察到，在AdaIN（方程式5）中使用任意平均值和標準偏差顯著阻礙了對抗生成器和鑒別器之間的訓練，即訓練發散。另一方面，使用印度支那樣本的FSMR顯示了預期的效果。

4.2. Standard datasets

我們在三個基準數據集上評估了FSMR的有效性，所有這些數據集都有10k以上的訓練圖像：CIFAR-10（50k）、FFHQ（70k）和AFHQ（16k）。表3（左）顯示，即使使用現有的增強技術，FSMR也能持續改進StyleGAN2【19,42】。我們強調，FSMR通過AFHQ上的一個大間隙來增強基線，在這種情況下，鑒別器可能很容易偏向于動物的顏色和紋理。

圖5顯示了StyleGAN2變體在CIFAR-10、FFHQ和AFHQ上的相對距離。FSMR在所有情況下都減少了相對距離，他們同意FID的改進。我們還提供了在ImageNet和樣式化ImageNet上預訓練的ResNet50網絡的相對距離，作為每個數據集中的參考（第2.1節）。由于相對距離越小，分類性能越高，鑒別器的相對距離越小，生成性能越高。

此外，表4表明，在StyleGAN2變體上應用FSMR進一步改進了FID，并適用于CIFAR-10上的無條件和類條件生成。定性結果見圖6和附錄F。

4.3. Small datasets.

眾所周知，由于數據流形的覆蓋范圍有限，GAN很難在小型數據集上進行訓練。能夠在小數據集上訓練GAN將導致各種應用領域，為用戶提供豐富的合成體驗。我們用五個小數據集嘗試了我們的方法，這些數據集由有限數量的訓練圖像組成，如MetFaces（1k）、AFHQ Dog（5k）、AFHQ Cat（5k）。



AFHQ野生型（5k）。如表3（右）所示，我們可以觀察到，即使數據量很小，FSMR也能穩定地改善所有基線模型的FID。定性結果見圖6和附錄F

5. Related Work

改進鑒別器。雖然生成性對抗網絡[8]在其網絡架構方面不斷發展[20、21、28、32]，但將鑒別器規范化同時被視為穩定其對抗訓練的重要技術。示例包括實例噪聲【15】、梯度懲罰【9，28】、譜歸一化【29】、對比學習【16，17】和一致性正則化【41，43】。它們隱式或顯式地強制在輸入的某些擾動范圍內對輸出進行平滑更改。最近的方法使用數據增強技術來防止鑒別器過度擬合[19,42]。雖然它們顯式地增加了圖像，但我們的方法隱式地增加了鑒別器中的特征映射。此外，當他們使用訓練分類器中使用的標準變換時，我們的方法使鑒別器規則化，以便在輸入圖像的樣式發生變化時產生小的變化，并有效防止鑒別器偏向樣式。

偏向風格。卷積神經網絡在訓練分類器[6、7、10]時偏向于風格（紋理）。減少偏差的簡單解決方案是通過樣式轉移算法將樣本的紋理隨機化【7】。它是一種數據增強技術，因為樣式轉換可以防止分類器過度擬合樣式，因為幾何變換或顏色變換可以防止分類器過度擬合某些位置或顏色。由于簡單地干擾GAN訓練中的數據分布會導致受干擾的偽分布[19]，我們引入了一個具有隱式風格化特征的額外前向傳遞，并在輸出中施加與原始前向傳遞的一致性（等式10）。雖然我們混合的線性插值類似于混音[39]，但我們不插值目標輸出，只軟化特征統計中的變化。

樣式混合正則化（Style mixing Regulation）[20]可能與FSMR相似，因為它還混合了兩種樣式。它在生成器中混合樣式，并鼓勵生成器生成混合圖像，用于生成器和鑒別器的對抗性訓練。其目標是劃分各層的作用，對性能幾乎沒有影響（4.42→4.40，FFHQ，StyleGAN，1024x1024分辨率）。另一方面，FSMR隱式地在鑒別器中混合樣式，并通過對鑒別器施加一致性正則化來抑制對樣式的敏感性。FSMR對性能改進有很大影響（5.52→3.72，FFHQ，StyleGAN2，256x256分辨率）。

6. Limitation and Discussion

如各種實驗所示，我們發現鑒別器對樣式有偏差，這使得可以通過相對距離度量進行數值表示。然而，我們還沒有找到每個模型應該減少多少相對距離的最佳值。我們通過圖5中的參考值觀察到，盡管我們無法找到最佳值，但相對距離減小時的關系，對樣式的偏差減小。我們提出了FSMR，它減少了只使用內部訓練數據集而不使用外部數據集的風格偏差，并證明了FSMR非常簡單而有效。在今后的工作中，有必要尋找相對距離的最佳值，并統一不同模型之間的相對距離。

7. Conclusion

我們觀察到鑒別器偏向于風格。為了定量測量偏差量，我們提出了相對距離，即風格距離除以內容距離。雖然使用簡單的一致性正則化和樣式轉換方法減少樣式偏差會導致歧義和困難，但我們的特征統計混合正則化（FSMR）提供了一種簡單有效的解決方案。重要的是，FSMR不會明確地將圖像樣式化，但會干擾鑒別器中的中間特征8。我們將FSMR的效果可視化，并定量分析其相對靈敏度行為。實驗表明，即使結合最新的技術，我們的方法也能持續改進各種網絡架構。

致謝作者感謝NA VER AI實驗室研究人員和朱俊安（Jun-Y an Zhu）的建設性討論。所有實驗均在NA-VER智能機器學習（NSML）平臺上進行【24，34】。這項工作得到了IITP撥款（編號：2021-0-00155）和NRF撥款（NRF-2021R1G1A1095637）的部分支持。這兩項贈款均由韓國政府（MSIT）資助。

References

[1] Wikiart. https://www.kaggle.com/c/painter-
by-numbers. 2, 3, 5
[2] Hyojin Bahng, Sanghyuk Chun, Sangdoo Y un, Jaegul Choo,
and Seong Joon Oh. Learning de-biased representations with
biased representations. In ICML, 2020. 1
[3] Andrew Brock, Jeff Donahue, and Karen Simonyan. Large
scale gan training for high fidelity natural image synthesis.
In ICLR, 2019. 1
[4] Y unjey Choi, Minje Choi, Munyoung Kim, Jung-Woo Ha,
Sunghun Kim, and Jaegul Choo. Stargan: Unified genera-
tive adversarial networks for multi-domain image-to-image
translation. In CVPR, 2018. 1
[5] Y unjey Choi, Y oungjung Uh, Jaejun Y oo, and Jung-Woo Ha.
Stargan v2: Diverse image synthesis for multiple domains.
In CVPR, 2020. 1, 2, 4, 5
[6] Leon A Gatys, Alexander S Ecker, and Matthias Bethge.
Texture synthesis using convolutional neural networks. In
NeurIPS, 2015. 1, 8
[7] Robert Geirhos, Patricia Rubisch, Claudio Michaelis,
Matthias Bethge, Felix A Wichmann, and Wieland Brendel.
Imagenet-trained cnns are biased towards texture; increasing
shape bias improves accuracy and robustness. In ICLR, 2019.
1, 2, 3, 7, 8
[8] Ian J Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing
Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville,
and Y oshua Bengio. Generative adversarial networks. In
NeurIPS, 2014. 1, 4, 7
[9] Ishaan Gulrajani, Faruk Ahmed, Martin Arjovsky, Vincent
Dumoulin, and Aaron Courville. Improved training of
wasserstein gans. In NeurIPS, 2017. 1, 7
[10] Katherine L Hermann, Ting Chen, and Simon Kornblith. The
origins and prevalence of texture bias in convolutional neural
networks. In NeurIPS, 2020. 1, 8
[11] Martin Heusel, Hubert Ramsauer, Thomas Unterthiner,
Bernhard Nessler, and Sepp Hochreiter. Gans trained by a
two time-scale update rule converge to a local nash equilib-
rium. In NeurIPS, 2017. 5, 11
[12] Minui Hong, Jinwoo Choi, and Gunhee Kim. Stylemix: Sep-
arating content and style for enhanced data augmentation. In
CVPR, 2021. 12
[13] Xun Huang and Serge Belongie. Arbitrary style transfer in
real-time with adaptive instance normalization. In ICCV,
2017. 2, 4, 5, 12
[14] Xun Huang, Ming-Y u Liu, Serge Belongie, and Jan Kautz.
Multimodal unsupervised image-to-image translation. In
ECCV, 2018. 1, 4
[15] Simon Jenni and Paolo Favaro. On stabilizing generative
adversarial training with noise. In CVPR, 2019. 1, 7
[16] Jongheon Jeong and Jinwoo Shin. Training gans with
stronger augmentations via contrastive discriminator. In
ICLR, 2021. 1, 7
[17] Minguk Kang and Jaesik Park. Contragan: Contrastive learn-
ing for conditional image generation. In NeurIPS, 2020. 1,
7
9
[18] Tero Karras, Timo Aila, Samuli Laine, and Jaakko Lehtinen.
Progressive growing of gans for improved quality, stability,
and variation. In ICLR, 2018. 1, 5
[19] Tero Karras, Miika Aittala, Janne Hellsten, Samuli Laine,
Jaakko Lehtinen, and Timo Aila. Training generative ad-
versarial networks with limited data. In NeurIPS, 2020. 1, 3,
4, 5, 6, 7, 8
[20] Tero Karras, Samuli Laine, and Timo Aila. A style-based
generator architecture for generative adversarial networks. In
CVPR, 2019. 1, 4, 5, 7, 8
[21] Tero Karras, Samuli Laine, Miika Aittala, Janne Hellsten,
Jaakko Lehtinen, and Timo Aila. Analyzing and improving
the image quality of stylegan. In CVPR, 2020. 1, 5, 7
[22] Hyunsu Kim, Y unjey Choi, Junho Kim, Sungjoo Y oo, and
Y oungjung Uh. Exploiting spatial dimensions of latent in
gan for real-time image editing. In CVPR, 2021. 1, 4
[23] Hyunsu Kim, Ho Y oung Jhoo, Eunhyeok Park, and Sungjoo
Y oo. Tag2pix: Line art colorization using text tag with secat
and changing loss. In ICCV, 2019. 1, 4
[24] Hanjoo Kim, Minkyu Kim, Dongjoo Seo, Jinwoong Kim,
Heungseok Park, Soeun Park, Hyunwoo Jo, KyungHyun
Kim, Y oungil Yang, Y oungkwan Kim, et al. Nsml: Meet the
mlaas platform with a real-world case study. arXiv preprint
arXiv:1810.09957, 2018. 9
[25] Junho Kim, Minjae Kim, Hyeonwoo Kang, and Kwang Hee
Lee. U-gat-it: Unsupervised generative attentional net-
works with adaptive layer-instance normalization for image-
to-image translation. In ICLR, 2020. 1, 4
[26] Alex Krizhevsky, Geoffrey Hinton, et al. Learning multiple
layers of features from tiny images. 2009. 5
[27] Boyi Li, Felix Wu, Ser-Nam Lim, Serge Belongie, and Kil-
ian Q Weinberger. On feature normalization and data aug-
mentation. In CVPR, 2021. 12
[28] Lars Mescheder, Andreas Geiger, and Sebastian Nowozin.
Which training methods for gans do actually converge? In
ICML, 2018. 1, 7
[29] Takeru Miyato, Toshiki Kataoka, Masanori Koyama, and
Y uichi Y oshida. Spectral normalization for generative ad-
versarial networks. In ICLR, 2018. 1, 7
[30] Takeru Miyato and Masanori Koyama. cgans with projection
discriminator. In ICLR, 2018. 1
[31] Taesung Park, Ming-Y u Liu, Ting-Chun Wang, and Jun-Yan
Zhu. Semantic image synthesis with spatially-adaptive nor-
malization. In CVPR, 2019. 1
[32] Alec Radford, Luke Metz, and Soumith Chintala. Unsuper-
vised representation learning with deep convolutional gener-
ative adversarial networks. In ICLR, 2016. 1, 5, 7
[33] Tim Salimans, Ian Goodfellow, Wojciech Zaremba, Vicki
Cheung, Alec Radford, and Xi Chen. Improved techniques
for training gans. In NeurIPS, 2016. 5, 11
[34] Nako Sung, Minkyu Kim, Hyunwoo Jo, Y oungil Yang, Jing-
woong Kim, Leonard Lausen, Y oungkwan Kim, Gayoung
Lee, Donghyun Kwak, Jung-Woo Ha, et al. Nsml: A ma-
chine learning platform that enables you to focus on your
models. arXiv preprint arXiv:1712.05902, 2017. 9
[35] Dmitry Ulyanov, Andrea V edaldi, and Victor Lempitsky. In-
stance normalization: The missing ingredient for fast styliza-
tion. arXiv preprint arXiv:1607.08022, 2016. 4
[36] Vikas V erma, Alex Lamb, Christopher Beckham, Amir Na-
jafi, Ioannis Mitliagkas, David Lopez-Paz, and Yoshua Ben-
gio. Manifold mixup: Better representations by interpolating
hidden states. In ICML, 2019. 11
[37] Fisher Y u, Yinda Zhang, Shuran Song, Ari Seff, and Jianx-
iong Xiao. Lsun: Construction of a large-scale image dataset
using deep learning with humans in the loop. arXiv preprint
arXiv:1506.03365, 2015. 5
[38] Sangdoo Y un, Dongyoon Han, Seong Joon Oh, Sanghyuk
Chun, Junsuk Choe, and Y oungjoon Y oo. Cutmix: Regu-
larization strategy to train strong classifiers with localizable
features. In ICCV, 2019. 11
[39] Hongyi Zhang, Moustapha Cisse, Yann N Dauphin, and
David Lopez-Paz. mixup: Beyond empirical risk minimiza-
tion. In ICLR, 2018. 8, 11
[40] Han Zhang, Ian Goodfellow, Dimitris Metaxas, and Augus-
tus Odena. Self-attention generative adversarial networks. In
ICML, 2019. 1
[41] Han Zhang, Zizhao Zhang, Augustus Odena, and Honglak
Lee. Consistency regularization for generative adversarial
networks. In ICLR, 2020. 1, 3, 7
[42] Shengyu Zhao, Zhijian Liu, Ji Lin, Jun-Yan Zhu, and Song
Han. Differentiable augmentation for data-efficient gan
training. In NeurIPS, 2020. 1, 3, 4, 5, 6, 7
[43] Zhengli Zhao, Sameer Singh, Honglak Lee, Zizhao Zhang,
Augustus Odena, and Han Zhang. Improved consistency reg-
ularization for gans. In AAAI, 2021. 1, 3, 5, 7
[44] Jun-Yan Zhu, Taesung Park, Phillip Isola, and Alexei A
Efros. Unpaired image-to-image translation using cycle-
consistent adversarial networks. In ICCV, 2016. 1

總結

以上是生活随笔為你收集整理的Feature Statistics Mixing Regularization for Generative Adversarial Networks的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。