几何生成对抗网络
本文基于几何学的角度探究 GAN 潜在空间的性质和图像变异机制,并提出一种基于网络结构的方法计算 GAN 图像多丽安流形的黎曼度量,这一方法可以有效地优化潜在空间的优化等应用,并便于解释变换维度。
Jan, 2021
本文提出一种将 GAN 优化问题转化为广义变分不等式的方法,并借鉴数学规划方法,通过平均,外推以及过往外推等方法,扩展了变分不等式优化技术用于 GAN 的训练。
Feb, 2018
本文旨在为数学家提供适用的 GANs 理论解释,概述 GANs 的训练问题和拓扑学和博弈论视角如何贡献于我们理解和实践 GANs 的技术的正面和反面结果。
Jun, 2018
本文提出了关于生成对抗网络(GANs)的分析和训练方案的新理论框架,揭示了以前分析的一个基本缺陷,解决了定义不明确的判别器梯度的问题,通过利用判别器的无限宽度神经网络理论并表征训练后的判别器以及进行各种损失的实验证明结果。
Jun, 2021
本文通过分析实际情景下 GAN 的泛化能力,证明了原始 GAN 的损失函数训练得到的鉴别器的泛化能力较差,并提出了一种零中心梯度惩罚策略以改善鉴别器的泛化能力,并保证 GAN 的收敛和泛化。通过在合成和大规模数据集上的实验,验证了理论分析的正确性。
Feb, 2019
本文提出了一种新的基于随机化决策规则的 GAN 公式,其中鉴别者收敛于一个固定点,而生成器则收敛于 Nash 均衡下的分布,通过随机梯度 Markov 链蒙特卡罗算法以及相应的模拟方法,得到了一种有效的支撑算法。
Jun, 2023
本研究提出了一种新方法,用于通过生成式对抗网络(GAN)训练理解物体的详细三维形状以及从二维图像中重建三维形状和形状完成。该方法使用梯度惩罚的 Wasserstein 距离作为训练目标,从而从联合对象形状分布中获得更好的生成效果,并在与现有基线比较中取得了明显的数量级改进。
Jul, 2017