一种基于图像变换预测的自监督GAN模型

摘要

自监督学习是目前深度学习的重要趋势之一,从无标记数据中获取学习有效信息是自监督学习的重点之一.目前的自监督学习方法大致包括:图像块拼图、运动传播、旋转预测等等.针对目前GAN的训练不稳定问题,自监督学习可以通过前置任务来改进生成器和判别器的模型性能.由此在经典的旋转预测任务上提出了改进和创新,采用图像变换旋转翻折的操作,增加了判别器的辅助任务和表征学习能力;采用统一结构的多任务判别器,更好地把握图像的变换特征;最后,在多个数据集上进行了有效测试,比较了 自监督学习任务和残差结构对表征学习的影响.实验结果表明该模型在生成质量上不弱于GAN的传统模型.