混合密度生成对抗网络

Oct, 2018

Mixture Density Generative Adversarial Networks

Hamid Eghbal-zadeh, Werner Zellinger, Gerhard Widmer

TL;DR本文提出了一种新型 GAN 变体 Mixutre Density GAN，通过在判别器嵌入空间中形成聚类来打破生成器的模式崩塌问题，从而发现不同的数据模式，并在生成高质量图像方面表现出色。

Abstract

generative adversarial networks have surprising ability for generating sharp and realistic images, though they are known to suffer from the so-called mode collapse problem. In this paper, we propose a new GAN variant called Mixture Density GAN that while being capable of generating hig

generative adversarial networks mixture density gan mode collapse problem gaussian mixture fréchet inception distance

发现论文，激发创造

用高斯混合生成对抗网络来处理多样化数据集和图像的无监督聚类

本文提出了一种基于对抗生成网络的模型 GM-GAN，其中对概率分布进行了控制，使得模型在高维度多样化数据集上的表现得以提高，并在合成图像和真实数据集上进行了多次实验证明了该模型的性能等方面的优势。

Aug, 2018

多生成器生成对抗网络

本文提出了一种名为 Mixture GAN （MGAN）的新方法，该方法采用多个生成器的混合训练，旨在克服 mode collapsing 问题，通过理论分析得出结论，证明了在平衡状态下，多个生成器的分布和数据分布之间的 Jensen-Shannon 差异最小，生成器之间的 Jensen-Shannon 差异最大，从而有效地避免了 mode collapsing 问题，能够在多项实验中取得明显的优势。

Aug, 2017

多智能体多元生成对抗网络

介绍一种名为 MAD-GAN 的多智能体生成对抗网络架构，可以解决 GAN 领域的模式崩溃问题，实验表明该架构能产生高质量的样本且具有较强的去卷积能力。

Apr, 2017

双判别器生成对抗网络

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

在人工数据集上训练 GAN 的经验教训

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

利用自适应多对抗训练克服模式崩溃

本研究以新的数据生成过程为基础，揭示了生成对抗网络（GAN）生成器模式崩溃的驱动因素是判别器对先前样本的分类准确性的遗忘，即连续学习中的灾难性遗忘现象。为了解决此问题，我们引入了一种自适应生成额外判别模式的训练方法，可以减轻模式崩溃并提高 GAN 评估的标准度量。

Dec, 2021

从密度比估计角度看生成对抗网络

提出了一种基于密度比估计和 f - 散度最小化的算法，旨在通过多种视角来了解生成对抗网络（GANs）的特点，提高生成器的学习效果。

Oct, 2016

多元敏感的条件生成对抗网络

这篇论文提出了一种简单而高效的方法来解决条件生成式对抗网络（cGAN）中的模式崩塌问题，它通过显式地规范化生成器以产生不同的输出来控制可变因素，从而在视觉质量和多样性之间实现平衡，这种方法在图像翻译、图像修补、未来预测等多个条件生成任务中取得了出色的效果。

Jan, 2019

混合批次和对称判别器用于 GAN 训练

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

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