ICLRMar, 2018

改进 Wasserstein GAN 的训练：一致性损失及其双重效应

PDF
TL;DR本文提出了一种创新的方法来强制实现 WGAN 的训练过程中的 Lipschitz 连续性，并与最近的半监督学习方法之一进行了无缝连接，导致不仅产生比以前方法更好的照片真实样本，而且还出现了最新的半监督学习结果，其中我们的方法在仅使用 1,000 个 CIFAR-10 图像时产生了超过 5.0 的 Inception 分数，并且在仅使用 4,000 个标记图像的情况下超过 90％的 CIFAR-10 数据集的精度，是我们所知道的第一个实现此结果的方法。
generative adversarial netswasserstein ganlipschitz continuitysemi-supervised learningcifar-10
发现论文，激发创造
  • 改进的 Wasserstein GANs 训练

    提出了一种比传统的 WGAN 更好的 GAN 训练方法，使用正则化替代权重截取，通过惩罚评判器对其输入梯度的范数，可以实现各种 GAN 结构的稳定训练和高质量生成。

    Mar, 2017

  • 关于 Wasserstein GAN 正则化的研究

    本文提出了一种使用正则化项的生成对抗网络（GANs）的训练方法，以加强 Lipschitz 限制约束，该方法通过实验数据验证其有效性。

    Sep, 2017

  • 对抗性利普希茨正则化

    本研究提出了一种名为 Adversarial Lipschitz Regularization 的方法，其可行地利用了显式的 Lipschitz 惩罚，并在训练 Wasserstein GANs 时表现出与隐式惩罚相同的性能表现，凸显了 Lipschitz 正则化和对抗性训练之间的重要联系。

    Jul, 2019

  • 关于在 GANs 中高效、无偏的实现 Lipschitz 连续性

    本文提出一种新的方法代替传统的梯度惩罚法和谱标准化法，通过实验证明该方法可以取得成功的训练稳定性和样本质量。

    Apr, 2019

  • 基于 Wasserstein GAN 的人脸超分辨率

    本文比较了在单幅图像超分辨率上使用 Wasserstein 距离和其他训练目标时，各种 GAN 架构的表现，结果表明，带梯度惩罚的 Wasserstein GAN（WGAN-GP）提供了稳定且收敛的 GAN 训练，Wasserstein 距离是衡量训练进展的有效指标。

    May, 2017

  • Lipschitz 生成对抗网络

    本文从判别函数最优梯度含义化角度研究生成对抗网络 (GANs) 的收敛性，并表明通过添加 Lipschitz 约束可以消除由于梯度缺乏信息而导致的问题，因此提出了一类名为 Lipschitz GANs (LGANs) 的 GANs，实验证明 LGANs 的样本质量相较于 Wasserstein GANs 更高且更加稳定。

    Feb, 2019

  • GAN 的 Wasserstein 散度

    本文介绍一种新的 Wasserstein 距离 (W-div)，并提出了基于此距离的生成对抗网络目标函数 (WGAN-div)，该函数可以通过优化准确地近似 W-div。实验结果表明，在标准图像合成基准测试中，WGAN-div 具有比现有方法更优的性能和稳定性。

    Dec, 2017

  • Wasserstein GAN

    介绍了一种名为 WGAN 的新算法，可以提高学习的稳定性，解决 GAN 训练中的问题，提供有用的学习曲线进行调试和超参数搜索，并提供相关的理论工作，强调了与其他分布之间的深层次联系。

    Jan, 2017

  • 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

  • Banach Wasserstein GAN

    本研究探索了 Wasserstein 生成对抗网络在巴拿赫空间中引入梯度惩罚后的理论扩展和一些具体选择的基础点，重点关注 Sobolev 范数，并在 CIFAR-10 和 CelebA 中展示了性能提升。

    Jun, 2018