NIPSDec, 2016

GANs 的改进生成器目标

PDF
TL;DR本文提出了一种 GAN 训练的解释框架，将其理解为交替的密度比率估计和近似的差异最小化，并解释了实践中常用的 GAN 生成器和鉴别器目标的不匹配问题以及样本多样性不足的问题，并推导出一组生成器目标，旨在针对任意 $f$- 散度而不是最小化下界，并使用它们来训练产生改进的样本质量或更大的样本多样性的生成式图像模型。
发现论文，激发创造
  • 从密度比估计角度看生成对抗网络

    提出了一种基于密度比估计和 f - 散度最小化的算法，旨在通过多种视角来了解生成对抗网络（GANs）的特点，提高生成器的学习效果。

    Oct, 2016

  • 生成对抗学习的逼近与收敛特性

    本文研究了生成对抗网络在逼近目标分布时的两个基本问题：限制鉴别器家族对近似质量的影响和不同目标函数的收敛条件与分布收敛之间的关系。定义了对抗分歧的概念，证明了使用受限制的鉴别器家族具有矩匹配效应，并且对于严格对抗性分歧的目标函数，证明了目标函数上的收敛蕴含着弱收敛。

    May, 2017

  • GAN 的凸对偶框架

    本文介绍了一种用于分析生成对抗网络的凸对偶框架，提出在约束条件为凸集时，通过最小化生成模型与经过判别器的数据分布匹配但是被期望的矩所限制的分布的 JS 散度，来得到生成模型。同时，将此框架应用于 f-GAN 和 Wasserstein GAN 网络，提出了一种新的混合 JS 散度和 Wasserstein 距离的分布度量用于正则化中。

    Oct, 2018

  • GANs 解决分数！

    本文提出了一种基于变分分析的生成对抗网络（GAN）的统一方法，讨论了在 $f$-divergence-minimizing GANs 和 IPM GANs 中的最优生成器，展示了基于分数匹配和流匹配的训练方法，以及判别器引导 Langevin 采样方法。

    Jun, 2023

  • 生成对抗网络：超越散度最小化

    本研究讨论了与 G（生成器）相关的大多数损失函数的属性，表明这些损失函数并不是发散的，并且不具有发散的期望平衡。研究结果显示， GANs 不符合发散最小化理论，并且形成了比先前假设的模型更广泛的模型范围。

    Sep, 2018

  • 在 $f$-GANs 和 Wasserstein GANs 之间架起桥梁

    本文提出了一种称为 KL-Wasserstein GAN 的新的生成对抗网络目标函数，这种方法基于 $f$-GANs 和 Wasserstein GANs 的批评家目标的推广，取得了在 CIFAR10 图像生成方面的新的最优成果。

    Oct, 2019

  • 使用训练所提供的分歧量来量化评估 GANs

    本文通过使用通常仅用于培训的散度和距离函数来对各种类型的 GAN 性能进行评估，观察了所提出的度量之间的一致性，发现测试时间指标并不支持使用相同训练时间标准的网络，我们还将所提出的度量与人类感知分数进行比较。

    Mar, 2018

  • 利用差异学习 GAN 和集成模型

    本文提出了一种使用误差度量方法来训练生成式对抗网络，通过该方法可以获得更好的泛化性能，并使用该方法来训练 DGAN 和 EDGAN 等两个算法，实现了在玩具示例和多个基准数据集上的有竞争力的性能表现。

    Oct, 2019

  • 关于 $(f,Γ)$-GAN 的浓度不等式

    GANs 的统计一致性研究：通过导出有限样本集中不等式，扩展了 $(f,\Gamma)$-GANs 理论的适用领域，同时在适当的极限情况下，与基于积分概率度量的 GANs 结果相符，并展现出在多个应用中提供提升性能的能力。

    Jun, 2024

  • 多生成器生成对抗网络

    本文提出了一种名为 Mixture GAN （MGAN）的新方法，该方法采用多个生成器的混合训练，旨在克服 mode collapsing 问题，通过理论分析得出结论，证明了在平衡状态下，多个生成器的分布和数据分布之间的 Jensen-Shannon 差异最小，生成器之间的 Jensen-Shannon 差异最大，从而有效地避免了 mode collapsing 问题，能够在多项实验中取得明显的优势。

    Aug, 2017