GAN 的判别器可近似性意味着多样性
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
本文研究生成对抗网络中用于逼近 Wasserstein 度量的方法,考虑到 $c$-transformation 的使用可以更精确地估计真实的 Wasserstein 度量,但在生成模型方面,$c$-transformation 不是表现最好的方法。
Oct, 2019
本文研究了生成对抗网络(GAN)如何从有限样本中学习概率分布,得到了 GAN 在一组 H"older 类定义的积分概率度量下的收敛速度和 Wasserstein 距离特殊情况下的学习率,并证明了当网络结构适当选择时,GAN 能够自适应地学习低维结构或具有 H"older 密度的数据分布。特别是对于集中在低维集合周围的分布,我们展示了 GAN 的学习速率不取决于高环境维度,而取决于较低的内在维度。我们的分析基于一种新的神谕不等式,将估计误差分解为生成器和鉴别器逼近误差和统计误差,这可能是具有独立研究价值的。
May, 2021
本文提出了一种名为双判别器生成对抗网络(D2GAN)的生成对抗网络算法,该算法使用 KL 散度和反 KL 散度,避免了多峰性分布的崩塌问题,并在广泛的实验中证明了与最新 GAN 算法相比的竞争和卓越性能。
Sep, 2017
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
该研究提出了一种新的方法来减少 GANs 中的模式坍塌问题,即通过引入一种通用的置换不变鉴别器架构来训练一个预测混合批的真假样本比例的不变鉴别器得分来代替传统方式评估单个样本的鉴别器。实验证明,在两个合成数据集上,这种方法有效地减少了模式坍塌,而在 CIFAR10 和 CelebA 数据集上得到了良好的定性和定量结果。
Jun, 2018
本文研究了生成式对抗网络的判别器集合,证明了其线性张成是连续函数有界集合的密集子集,则其是判别性的,我们还通过不同的评价指标开发了广义边界,阐明了实际性能。
Nov, 2017
本文提出了一种基于变分分析的生成对抗网络(GAN)的统一方法,讨论了在 $f$-divergence-minimizing GANs 和 IPM GANs 中的最优生成器,展示了基于分数匹配和流匹配的训练方法,以及判别器引导 Langevin 采样方法。
Jun, 2023
GANs 的统计一致性研究:通过导出有限样本集中不等式,扩展了 $(f,\Gamma)$-GANs 理论的适用领域,同时在适当的极限情况下,与基于积分概率度量的 GANs 结果相符,并展现出在多个应用中提供提升性能的能力。
Jun, 2024
通过训练 GAN 在人工数据集上,我们发现混合多个 GANs 相比于使用更深、更宽、更复杂的单个生成器会获得更好的结果。在 CIFAR-10 数据集上,我们的方法在流行的指标(IS 和 FID)上明显优于现有技术的表现。
Jul, 2020