Lucy Chai, Jun-Yan Zhu, Eli Shechtman, Phillip Isola, Richard Zhang
TL;DR使用预训练生成器,通过对潜在代码进行扰动以创建自然图像的变化,然后使用 StyleGAN2 进行分类任务,并发现该过程存在多个设计决策,包括扰动程序、增强图像和原始图像之间的加权以及对合成图像进行训练的分类器等,最终发现,虽然使用基于 GAN 的增强可以带来小幅改进,但 GAN 重构的效率和精度,以及分类器对 GAN 生成图像的敏感性仍然是瓶颈。
Abstract
Recent generative models can synthesize "views" of artificial images that mimic real-world variations, such as changes in color or pose, simply by learning from unlabeled image collections. Here, we investigate whether such views can be applied to real images to benefit downstream anal