GANs Auto-Supervisados a través de Pérdida de Rotación Auxiliar

Los GANs condicionales están a la vanguardia de la síntesis de imágenes naturales. La principal desventaja de tales modelos es la necesidad de datos etiquetados. En este trabajo, explotamos dos técnicas populares de aprendizaje no supervisado, el entrenamiento adversarial y la auto-supervisión, y damos un paso hacia cerrar la brecha entre GANs condicionales y no condicionales. En particular, permitimos que las redes colaboren en la tarea de aprendizaje de representaciones, mientras que son adversariales con respecto al juego clásico de GAN. El papel de la auto-supervisión es alentar al discriminador a aprender representaciones de características significativas que no se olviden durante el entrenamiento. Probamos empíricamente tanto la calidad de las representaciones de imágenes aprendidas como la calidad de las imágenes sintetizadas. Bajo las mismas condiciones, el GAN auto-supervisado alcanza un desempeño similar al de los contraparte condicionales de última generación. Finalmente, mostramos que este enfoque de aprendizaje completamente no supervisado se puede escalar para alcanzar un FID de 23.4 en la generación incondicional de ImageNet.