多智能体多元生成对抗网络
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
这篇论文提出了一种简单而高效的方法来解决条件生成式对抗网络(cGAN)中的模式崩塌问题,它通过显式地规范化生成器以产生不同的输出来控制可变因素,从而在视觉质量和多样性之间实现平衡,这种方法在图像翻译、图像修补、未来预测等多个条件生成任务中取得了出色的效果。
Jan, 2019
本研究以新的数据生成过程为基础,揭示了生成对抗网络(GAN)生成器模式崩溃的驱动因素是判别器对先前样本的分类准确性的遗忘,即连续学习中的灾难性遗忘现象。为了解决此问题,我们引入了一种自适应生成额外判别模式的训练方法,可以减轻模式崩溃并提高 GAN 评估的标准度量。
Dec, 2021
本文提出了 MD-GAN,这是一个新颖的学习过程;将其与改编后的联邦学习进行比较,使用 MNIST 和 CIFAR10 数据集,MD-GAN 表现出了每个工作节点上的学习复杂度降低两倍,同时在两个数据集上提供了比联邦学习更好的性能。
Nov, 2018
本文介绍了在条件生成任务中通过正则化来处理 cGAN 模型中的 mode collapse 问题,提出了一种简单而有效的正则化项,最大化图像生成的潜在编码距离的比例以增加模型探索轻微模式的能力,此正则化方法可广泛应用于各种不同的条件生成任务中,不会增加训练负担或修改现有的网络结构,实验证明该方法在提高多样性方面效果显著。
Mar, 2019
该研究使用增量算法 AdaGAN 训练 Generative Adversarial Networks(GAN)来解决 GAN 模型中出现的 missing modes 问题,并且证明了当每一步是最优的时候,这种增量方法可以在有限步数内收敛到真实分布,否则以指数速度收敛。
Jan, 2017
本文提出了一种新型 GAN 变体 Mixutre Density GAN,通过在判别器嵌入空间中形成聚类来打破生成器的模式崩塌问题,从而发现不同的数据模式,并在生成高质量图像方面表现出色。
Oct, 2018
提出了一种新的深度生成模型 —— 多对抗生成网络(GMAN),以实现高质量图像的生成,相比标准 GAN,使用了多个判别器进行训练,无需调整损失函数,实现了更快、更有效的训练。
Nov, 2016
我们提出一种混合专家 GAN (MEGAN)方法,它使用多个生成器网络进行集成学习,并通过门控网络在不同条件下选择适当的网络,以生成具有特定子集的模式的图像。我们证明各自利用数据的不同部分,达到较高的多尺度结构相似性分数和竞争性的无监督内在分数。
May, 2018