SGAN：一种生成对抗网络的替代训练方法

Dec, 2017

SGAN：一种生成对抗网络的替代训练方法

SGAN: An Alternative Training of Generative Adversarial Networks

Tatjana Chavdarova, François Fleuret

TL;DR本研究探讨了一种名为 SGAN 的备选训练方法，通过该方法，多个对抗的 “本地” 网络对可独立进行训练，以便 “全局” 监督网络可以针对它们进行训练，以提高模式覆盖性能。实验结果表明，该方法在减轻模式崩溃、稳定收敛和加速收敛方面都表现出优于标准训练的性能。

Abstract

The generative adversarial networks (GANs) have demonstrated impressive performance for data synthesis, and are now used in a wide range of computer vision tasks. In spite of this success, they gained a reputation for being difficult to train, what results in a time-consuming and human

generative adversarial networks training process sgan mode collapse convergence speed

发现论文，激发创造

结构式生成对抗网络

该论文提出了一种基于两个独立潜变量的结构化生成式对抗网络，通过两个博弈过程最小化 y 和 z 的重构误差，并且提高了半监督条件下的图像分类精度以及图像生成质量。

Nov, 2017

生成对抗网络概述

本文概述了生成对抗网络在信号处理中的应用，讨论了 GANs 的训练方法和构建策略以及它们在 deep representations 学习中的表现和存在的挑战。

Oct, 2017

堆叠式生成对抗网络

本文提出了一种名为 SGAN 的新型生成模型，其利用自底向上的判别网络的分层表示创造了一个自上而下的 GAN 堆栈，对其进行反演。通过引入表示鉴别器和条件损失并使用多个噪声向量，SGAN 能够生成质量更高的图像。

Dec, 2016

生成对抗网络（GANs）的收敛问题

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

基于生成对抗网络的图半监督学习

研究使用生成式对抗网络来帮助半监督图学习，提出 GraphSGAN 方法，在该方法中，生成器和分类器网络进行竞争性博弈，生成器通过在子图之间的低密度区域生成假样本来平衡，分类器通过隐式考虑子图密度属性来区分真实样本和假样本。实验结果表明，GraphSGAN 显著优于几种现有方法。

Sep, 2018

进化生成式对抗网络

本文提出了一种新的 GAN 框架，名为进化生成对抗网络 (E-GAN)，该框架使用不同的对抗训练目标作为突变操作，通过进化一群生成器来适应环境 (判别器) 以实现稳定的 GAN 训练和改进的生成能力，并利用评估机制来衡量生成样本的质量和多样性，从而始终保留最佳基因用于进一步的训练，从而提高了 GAN 的整体训练效果和生成性能。

Mar, 2018

生成式对抗网络

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

自注意力生成对抗网络

本文介绍了一种基于自注意力机制的生成对抗网络（SAGAN），它能够在图像生成任务中实现关注驱动的远距离依赖关系建模，并通过对 GAN 生成器实施谱归一化技术，取得了对图像生成任务来说最好的表现。

May, 2018

指定生成对抗网络

该论文介绍了一种新的生成对抗网络模型，称为 PresGAN。PresGAN 可以有效减少 “mode collapse” 现象，并且通过优化熵正则化对抗性损失，并添加噪声，使得可以估算概率密度。实验结果表明，PresGAN 生成的样本质量高，且可以有效缩小传统 GAN 和变分自编码器之间预测对数似然的差距。

Oct, 2019

稳定生成对抗网络：综述

本文综述了文献中可找到的 GAN 训练稳定方法，讨论了每种方法的优缺点并进行比较总结，最后提出了未解决问题的讨论。

Sep, 2019