摘要
我们介绍了LR-GAN：一种考虑场景结构和上下文的对抗图像生成模型。与先前的生成对抗网络（GANs）不同，该提出的GAN模型能够分别且递归地生成图像背景和前景，并以上下文相关的方式将前景拼接在背景上，从而生成完整的自然图像。对于每个前景对象，模型学习生成其外观、形状和姿态。整个模型是无监督的，并通过梯度下降方法进行端到端训练。实验结果表明，LR-GAN生成的图像比DCGAN更加自然，其中的对象也更容易被人类识别。
代码仓库
jwyang/lr-gan.pytorch
官方
pytorch
GitHub 中提及
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| conditional-image-generation-on-cifar-10 | LR-GAN | Inception score: 7.17 |
| image-generation-on-cub-128-x-128 | LR-GAN | FID: 34.91 Inception score: 13.50 |
| image-generation-on-stanford-cars | LR-GAN | FID: 88.80 Inception score: 5.25 |
| image-generation-on-stanford-dogs | LR-GAN | FID: 54.91 Inception score: 10.22 |