May, 2017

使用多个随机投影稳定 GAN 训练

PDF
TL;DR本文提出了一种针对高维度情况下 GAN 训练不稳定的方法，即使用一个生成器同时生成多个不同低维度投影数据的判别器来提供连续的梯度，实验结果表明该方法能够生成较高质量的图像样本。
发现论文，激发创造
  • 关于使用噪声稳定生成对抗训练

    本文提出了一种新方法来稳定地训练生成式对抗网络，通过使用过滤后的真实数据分布和生成数据分布来训练，其中过滤可以通过将任意分布的样本添加到真实数据分布中来实现，同时学习添加样本的过程以挑战辨别器，结果显示该方法稳定有效。

    Jun, 2019

  • 淬炼对抗网络

    通过引入一种简单的方法，使真实数据分布经过一个‘透镜’传达给辨别器，让生成器逐步揭示出更多细节特征，改善了 GAN 训练的质量、稳定性和收敛速度，对各种 GAN 架构如 DCGAN、LSGAN、WGAN-GP 都可行。

    Feb, 2018

  • GAN 的在线自适应课程学习

    提出了一种基于多个鉴别器网络来训练生成器的创新框架，通过更新分配给每个判别器的混合权重来反映生成器的进展情况，实验结果表明能够通过学习曲线来提高样本的质量和多样性。

    Jul, 2018

  • 渐进式增长 GAN 以提高质量、稳定性和变化性

    通过渐进增加模型层数的方法，生成对抗网络在训练中实现速度和稳定性的提升，并取得了空前的图像质量和变异性，同时提出了新的 GAN 结果评估指标，取得实验成功。（keywords 中包含：生成对抗网络、逐步增长、图像质量、Inception 分数、实现细节等）

    Oct, 2017

  • 提高生成对抗网络的泛化能力和稳定性

    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

  • 通过正则化稳定生成对抗网络的训练

    通过提出一种新的正则化方法，我们克服了 GAN 模型分布和数据分布之间维度不匹配的局限性，并证明了该正则化方法在多种常见图像生成任务中的有效性。

    May, 2017

  • 使用切片瓦瑟斯坦距离进行生成建模

    本篇论文提出了一种基于随机投影的生成模型，该模型较传统的 GAN 模型更加稳定和精确，采用的 Wasserstein 距离作为度量计算生成样本的真实性，可以得到更准确的生成结果。

    Mar, 2018

  • 用于生成对抗网络的动态遮挡鉴别器

    从在线持续学习的角度出发，提出了一种新颖的 GAN 方法，通过将生成的数据视为流来训练鉴别器模型，并自动检测其阻塞并动态遮罩其特征，使其能够适应临时变化的生成数据分布。实验结果表明，该方法优于现有的最先进方法。

    Jun, 2023

  • Dropout-GAN: 动态集成鉴别器的学习

    在生成对抗网络中引入对抗性 Dropout，其中在每个批次结束时，以一定概率省略或退出每个判别器的反馈，从而迫使单个生成器不再只满足单一的判别器，而是满足判别器的动态集合，这导致了产生更加广义的生成器，促进了生成样本的多样性，并避免了 GAN 中经常发生的 mode collapse 问题。并且，通过实验证明了所提出的框架 Dropout-GAN 提高了样本多样性，消除了 mode collapse 并稳定了训练。

    Jul, 2018

  • 双重 GANs

    本文提出了一种名为 ' 双重生成对抗网络 ' 的方法，通过对判别器进行对偶操作，使其与生成器协同工作，来解决生成对抗网络训练中的不稳定性问题。同时，针对线性和非线性鉴别器，提出了相应的解决方案。

    Jun, 2017